Diagnostica con residui studentizzatiCiao a tutti,
Sto cercando di identificare gli outlier di un modello misto REML che include due fattori fissi nominali e un fattore casuale. Come mostrato negli screenshot seguenti, il grafico di parità, il grafico dei residui per riga e il grafico dei residui per previsione hanno tutti chiaramente contrassegnato sei osservazioni come valori anomali forti (punti neri). Tuttavia, questi valori anomali non vengono catturati nel diagramma dei residui studentizzati dove i loro residui sono paragonabili ad altri (punti grigi) e rientrano nei limiti di +/- 3. Inoltre, rimuovendo tre dei valori anomali e riadattando il modello, tutto sembra completamente a posto e le altre tre osservazioni inizialmente identificate come valori anomali sono ora ben previste dal modello. Qualche input su quali potrebbero essere le cause principali di questi casi? Grazie.
Rimontare il modello dopo aver rimosso tre dei valori anomali
Esplorazione e visualizzazione dei datiIngegneria della qualità e dei processifinestreRi: Diagnostica con residui studentizzatiInnanzitutto benvenuto nella community.
I miei pensieri:
Esistono numerose statistiche utilizzate per valutare un determinato modello (e la sua adeguatezza). I grafici dei residui (compresi quelli studentizzati) possono essere molto utili per identificare i valori anomali. Nessuna trama è la migliore in tutte le circostanze per farlo. Quando i grafici identificano questi punti potenzialmente insoliti, è necessario ricordare che non sono i dati effettivi ad essere insoliti, ma che la modalità ha svolto un pessimo lavoro nel prevedere il punto dati effettivo. Questo è un indicatore che potrebbe dover essere rivalutato del modello (e forse, cosa ancora più importante, potresti ottenere una migliore comprensione dei veri meccanismi/relazioni causali in atto). Ricorda inoltre che il modello e tutte le statistiche associate alla valutazione del modello (RMSE, valori p, delta corretto R-quadrato-R-quadrato, ecc.) sono TUTTI CONDIZIONATI. Cambia cosa c'è nel modello o cosa stima l'MSE o lo spazio di inferenza, ecc. E l'adeguatezza del modello può/cambierà (ecco perché quando hai rimosso i dati, è stato creato un nuovo modello e modificato i grafici residui). Se vengono identificati valori anomali, utilizzo sempre prima il significato pratico, quindi è possibile che i termini nel modello non prevedano adeguatamente i valori effettivi. Questo spesso è il risultato dell'effetto del rumore nel sistema e possibilmente di un rumore incoerente. Quando si tracciano i residui per riga, assicurarsi sempre che i dati vengano prima ordinati in ordine di esecuzione. Ciò può offrire indizi su quando il modello ha problemi .
