Diagnostics avec résidus studentisésSalut tout le monde,
J'essaie d'identifier les valeurs aberrantes d'un modèle mixte REML qui comprend deux facteurs fixes nominaux et un facteur aléatoire. Comme le montrent les captures d'écran ci-dessous, le tracé de parité, le tracé résiduel par ligne et le résiduel par tracé prédit ont tous clairement signalé six observations comme de fortes valeurs aberrantes (points noirs). Cependant, ces valeurs aberrantes ne sont pas capturées dans le graphique des résidus étudiés où leurs résidus sont comparables aux autres (points gris) et se situent dans les limites de +/- 3. De plus, en supprimant trois des valeurs aberrantes et en réajustant le modèle, tout semble parfaitement correct et les trois autres observations initialement identifiées comme valeurs aberrantes sont désormais bien prédites par le modèle. Avez-vous des idées sur les causes profondes de ces cas ? Merci.
Remontez le modèle après avoir supprimé trois des valeurs aberrantes
Exploration et visualisation des donnéesIngénierie Qualité et Procédésles fenêtresRe: Diagnostics avec résidus studentisésTout d’abord, bienvenue dans la communauté.
Mes pensées:
Il existe un certain nombre de statistiques utilisées pour évaluer un modèle donné (et son adéquation). Les tracés des résidus (y compris ceux étudiés) peuvent être très utiles pour identifier les valeurs aberrantes. Aucune intrigue n’est la meilleure en toutes circonstances pour y parvenir. Lorsque les tracés identifient ces points potentiellement inhabituels, vous devez vous rappeler que ce ne sont pas les données réelles qui sont inhabituelles, mais que le mode a mal prédit le point de données réel. Il s’agit d’un indicateur selon lequel le modèle devra peut-être être réévalué (et peut-être plus important encore, vous pourrez peut-être mieux comprendre les véritables mécanismes/relations causales à l’œuvre). N'oubliez pas non plus que le modèle et toutes les statistiques associées à l'évaluation du modèle (RMSE, valeurs p, delta ajusté R-carré-R-carré, etc.) sont TOUS CONDITIONNELS. Changez ce qui est dans le modèle ou ce qui estime le MSE ou l'espace d'inférence, etc. et l'adéquation du modèle peut/va changer (d'où pourquoi lorsque vous avez supprimé des données, un nouveau modèle a été créé et modifié les tracés résiduels). Si des valeurs aberrantes sont identifiées, j'utilise toujours d'abord la signification pratique, il est alors possible que les termes du modèle ne prédisent pas de manière adéquate les valeurs réelles. Ceci est souvent le résultat de l'effet du bruit dans le système et éventuellement d'un bruit incohérent. Lorsque vous tracez les résidus par ligne, assurez-vous toujours que les données sont d'abord triées dans l'ordre d'exécution. Cela peut fournir des indices sur le moment où le modèle a problèmes .
