Diagnóstico con residuos estudentizadosHola a todos,
Estoy tratando de identificar los valores atípicos de un modelo mixto REML que incluye dos factores fijos nominales y un factor aleatorio. Como se muestra en las capturas de pantalla a continuación, el gráfico de paridad, el gráfico residual por fila y el gráfico residual por predicción marcaron claramente seis observaciones como valores atípicos fuertes (puntos negros). Sin embargo, estos valores atípicos no se capturan en el gráfico de residuos estudentizados donde sus residuos son comparables a otros (puntos grises) y están dentro de los límites de +/- 3. Además, al eliminar tres de los valores atípicos y reajustar el modelo, todo parece completamente correcto y el modelo predice bien las otras tres observaciones inicialmente identificadas como valores atípicos. ¿Alguna aportación sobre cuáles podrían ser las causas fundamentales de estos casos? Gracias.
Vuelva a montar el modelo después de eliminar tres de los valores atípicos.
Exploración y visualización de datosIngeniería de Calidad y ProcesosventanasRe: Diagnóstico con residuos estudentizadosPrimero, bienvenido a la comunidad.
Mis pensamientos:
Hay una serie de estadísticas que se utilizan para evaluar un modelo determinado (y su idoneidad). Los gráficos de residuos (incluidos los estudentizados) pueden resultar muy útiles para identificar valores atípicos. Ninguna trama es la mejor en todas las circunstancias para hacer esto. Cuando los gráficos identifican estos puntos potencialmente inusuales, debe recordar que no son los datos reales los que son inusuales, sino que el modo hizo un mal trabajo al predecir el punto de datos real. Este es un indicador de que es posible que sea necesario reevaluar el modelo (y quizás lo más importante es que pueda obtener una mejor comprensión de los verdaderos mecanismos/relaciones causales en funcionamiento). Recuerde también que el modelo y todas las estadísticas asociadas con la evaluación del modelo (RMSE, valores p, delta ajustada R cuadrado-R cuadrado, etc.) SON TODOS CONDICIONALES. Cambie lo que hay en el modelo o lo que estima el MSE o el espacio de inferencia, etc. y la adecuación del modelo puede cambiar o cambiará (de ahí que, cuando eliminó los datos, se creó un nuevo modelo y se cambiaron los gráficos residuales). Si se identifican valores atípicos, siempre uso primero el significado práctico, entonces es posible que los términos del modelo no predigan adecuadamente los valores reales. Esto a menudo es el resultado del efecto del ruido en el sistema y posiblemente de un ruido inconsistente. Al trazar los residuos por fila, asegúrese siempre de que los datos estén primero ordenados en orden de ejecución. Esto puede ofrecer pistas sobre cuándo el modelo ha asuntos .
