Diagnostik mit studentisierten ResiduenHallo zusammen,
Ich versuche, die Ausreißer eines gemischten REML-Modells zu identifizieren, das zwei nominale feste Faktoren und einen Zufallsfaktor enthält. Wie in den Screenshots unten gezeigt, markierten das Paritätsdiagramm, das Diagramm „Residuum nach Zeile“ und das Diagramm „Residuum nach Vorhersage“ alle sechs Beobachtungen eindeutig als starke Ausreißer (schwarze Punkte). Diese Ausreißer werden jedoch nicht im studentisierten Residuendiagramm erfasst, in dem ihre Residuen mit anderen vergleichbar sind (graue Punkte) und innerhalb der +/- 3-Grenzen liegen. Darüber hinaus sieht durch die Entfernung von drei der Ausreißer und die Neuanpassung des Modells alles völlig in Ordnung aus und die anderen drei Beobachtungen, die ursprünglich als Ausreißer identifiziert wurden, werden nun vom Modell gut vorhergesagt. Irgendwelche Eingaben, was die Hauptursachen für diese Fälle sein könnten? Danke schön.
Passen Sie das Modell wieder an, nachdem Sie drei der Ausreißer entfernt haben
Datenexploration und -visualisierungQualitäts- und VerfahrenstechnikWindowsBetreff: Diagnostik mit studentisierten ResiduenZunächst einmal willkommen in der Community.
Meine Gedanken:
Es gibt eine Reihe von Statistiken, die zur Bewertung eines bestimmten Modells (und seiner Angemessenheit) verwendet werden. Darstellungen von Residuen (einschließlich studentisierter Darstellungen) können bei der Identifizierung von Ausreißern sehr hilfreich sein. Kein Plan ist unter allen Umständen der beste, um dies zu erreichen. Wenn Diagramme diese potenziell ungewöhnlichen Punkte identifizieren, müssen Sie bedenken, dass nicht die tatsächlichen Daten ungewöhnlich sind, sondern dass der Modus den tatsächlichen Datenpunkt schlecht vorhergesagt hat. Dies ist ein Indikator dafür, dass das Modell möglicherweise neu bewertet werden muss (und was vielleicht noch wichtiger ist: Sie erhalten möglicherweise ein besseres Verständnis der wahren Mechanismen/kausalen Zusammenhänge). Denken Sie auch daran, dass das Modell und alle mit der Bewertung des Modells verbundenen Statistiken (RMSE, p-Werte, R-Quadrat-R-Quadrat-bereinigtes Delta usw.) ALLE BEDINGT sind. Ändern Sie, was im Modell enthalten ist oder was die MSE oder den Inferenzraum usw. schätzt, und die Angemessenheit des Modells kann/wird sich ändern (daher wurde beim Entfernen von Daten ein neues Modell erstellt und die Residuendiagramme geändert). Wenn Ausreißer identifiziert werden, verwende ich immer zuerst die praktische Signifikanz, da es möglich ist, dass die Terme im Modell die tatsächlichen Werte nicht ausreichend vorhersagen. Dies ist häufig auf die Wirkung von Rauschen im System und möglicherweise inkonsistentes Rauschen zurückzuführen. Stellen Sie beim Zeichnen der Residuen nach Zeilen immer sicher, dass die Daten zuerst in der Ausführungsreihenfolge sortiert werden. Dies kann Hinweise darauf geben, wann das Modell dies getan hat Probleme .
