Per quanto riguarda l'espressione di previsioneCiao membri,
Sto conducendo un progetto RSM su jmp 16 e voglio estrarre l'espressione di previsione per il modello. Questa è l'espressione di previsione che ho ottenuto.
I punti centrali per x1 e x2 sono rispettivamente 25 e 10.
- Sto cercando di chiedermi perché le variabili sono centrate utilizzando i punti centrali per questo tipo di modello. (Pensavo che si applicasse solo ai modelli del primo ordine per tenere conto della curvatura)
- Quando riporto questo modello per iscritto, devo lasciare l'equazione così com'è?
Qualsiasi aiuto sarà molto apprezzato. Grazie in anticipo.
DOERe: Per quanto riguarda l'espressione di previsioneCiao,
Può essere utile sapere che puoi convertire la seconda espressione nella prima salvando la formula di previsione nella tabella, aprendola utilizzando l'editor delle formule e selezionando "Semplifica" dal menu del triangolo rosso:
Re: Per quanto riguarda l'espressione di previsioneGrazie per avermi mostrato i mezzi per una versione semplificata dell'equazione di regressione. Sono ancora nuovo alla modellazione di regressione. Volevo anche sapere perché non utilizziamo le stime dei parametri così come sono. Qual è in genere il motivo per centrare le variabili predittive utilizzando i punti centrali nell'espressione di previsione?
Re: Per quanto riguarda l'espressione di previsioneCiao @Kimani ,
Quando JMP esegue l'adattamento, centra i fattori X per impostazione predefinita (credo), a meno che tu non specifichi di non farlo. Il motivo è che l'algoritmo può determinare una migliore stima dei beta, i coefficienti. Farlo in questo modo aiuta a spingere molto dell'errore sconosciuto dell'adattamento alla costante, epsilon, riducendo così gli errori delle stime di adattamento, i beta.
Spero che questo abbia senso e aiuti,
ds
Re: Per quanto riguarda l'espressione di previsioneGrazie mille per l'elaborata spiegazione @markbailey . La spiegazione farà molto per aiutarmi a capire il modello di regressione.
Re: Per quanto riguarda l'espressione di previsioneCi sono molti modi e ragioni per trasformare le variabili. La trasformazione che hai riscontrato si chiama "codifica". È considerata una buona pratica quando si analizzano i dati di un esperimento progettato per diversi motivi. Le piattaforme di progettazione JMP (ad es. Progettazione personalizzata) aggiungono la proprietà della colonna Codifica alle colonne dei dati del fattore continuo quando si fa clic su Crea tabella. La piattaforma Adatta ai minimi quadrati riconosce questa proprietà della colonna e applica internamente la trasformazione.
Interpretazione:
Senza codifica, le stime dei parametri dipendono dalla scala (cioè dalle unità di misura). È difficile rispondere a domande del tipo: "Qual è il fattore più importante?" solo esaminando le stime. D'altra parte, i livelli dei fattori codificati portano a stime invarianti di scala. Rappresentano ancora il cambiamento nella risposta per una variazione di un'unità nel fattore, ma ora è la metà dell'intervallo del fattore per tutti i fattori. (Per questo motivo, la stima che utilizza i livelli dei fattori codificati viene talvolta definita "metà effetti".) Inoltre, l'intercettazione è solitamente necessaria per la modellazione ma priva di significato. Con la codifica, l'intercetta ora è sempre la risposta media all'origine del tuo spazio di progettazione.
Potenza:
Vogliamo sempre stime con l'errore standard più piccolo, indipendentemente dallo scopo dell'esperimento (ad esempio, screening rispetto all'ottimizzazione). Il disegno determina la correlazione tra le stime. Le stime non correlate avranno l'errore standard più piccolo. La correlazione aumenterà la variazione delle stime e, quindi, i loro errori standard. Gli errori perfettamente correlati hanno varianza infinita e sono quindi inseparabili. Gli effetti rappresentati da questi parametri sono confusi. La codifica dei livelli dei fattori riduce al minimo la correlazione tra le stime.
Stabilità:
La gerarchia del modello è correlata alla codifica. Ti consigliamo vivamente di mantenere la gerarchia del modello quando aggiungi o rimuovi termini dal modello. Uno dei motivi è che il modello sarà instabile se in seguito si modificano (trasformano) le variabili, ad esempio invertendo la trasformazione di codifica. Utilizzando la funzione Semplifica nell'editor delle formule come suggerito da @HadleyMyers produce un modello diverso (alcuni termini scompaiono, vengono visualizzati nuovi termini) se non si mantiene la gerarchia quando si seleziona il modello.
