スチューデント化残差を使用した診断こんにちは、みんな、
2 つの名目固定因子と 1 つのランダム因子を含む REML 混合モデルの外れ値を特定しようとしています。 以下のスクリーンショットに示されているように、パリティ プロット、行別残差プロット、予測プロット別残差はすべて、6 つの観測値に強い外れ値 (黒点) として明確にフラグを立てています。 ただし、これらの外れ値は、残差が他の残差 (灰色の点) に匹敵し、+/- 3 の制限内にあるスチューデント化残差プロットでは捕捉されません。 さらに、3 つの外れ値を削除してモデルを再適合すると、すべてが完全に正常に見え、最初は外れ値として特定された他の 3 つの観測値もモデルによって適切に予測されるようになりました。 これらのケースの根本原因は何でしょうか? ありがとう。
3 つの外れ値を削除した後、モデルを再適合します
データの探索と視覚化品質およびプロセスエンジニアリングウィンドウズRe: スチューデント化残差を使用した診断まず、コミュニティへようこそ。
私の考え：
特定のモデル (およびその適切性) を評価するために使用される統計が多数あります。 残差 (スチューデント化されたものを含む) のプロットは、外れ値を特定するのに非常に役立ちます。 これを行うには、あらゆる状況において最適なプロットは存在しません。 プロットによってこれらの異常な可能性のある点が特定された場合、異常なのは実際のデータではなく、モードが実際のデータ ポイントの予測に失敗したことを覚えておく必要があります。 これは、モデルを再評価する必要がある可能性があることを示す指標です (そしておそらくさらに重要なのは、実際に機能しているメカニズム/因果関係をより深く理解できる可能性があることです)。 また、モデルと、モデルの評価に関連するすべての統計 (RMSE、p 値、R-2 乗-R-2 乗調整デルタなど) はすべて条件付きであることにも注意してください。 モデルの内容、または MSE や推論空間の推定値などを変更すると、モデルの適切性が変化する可能性があります (したがって、データを削除すると新しいモデルが作成され、残差プロットが変更されるのはなぜですか)。 外れ値が特定された場合、私は常に実用的な有意性を最初に使用します。その場合、モデル内の項が実際の値を適切に予測していない可能性があります。 これは多くの場合、システム内のノイズの影響や、場合によっては一貫性のないノイズの結果です。 行ごとに残差をプロットするときは、必ずデータが最初に実行順に並べ替えられていることを確認してください。 これは、モデルがいつ問題。
