325417_de-DE

liliconcom

Kleinste Quadrate anpassen – Residuen nach normalen Quantilen darstellen Verbesserungen

Ich habe kein großes Vertrauen in die „Plot-Residuen durch normale Quantile“, um Modelldiagnosen durchzuführen. Normalerweise habe ich die Residuen aus dem Modell in einer neuen Spalte gespeichert und dann die Verteilungsplattform verwendet, um dort ein normales Quantildiagramm zu erstellen.

 

Die Anpassung der durchgezogenen roten Linie scheint nicht gut mit der Stelle übereinzustimmen, an der die Residuen unter Verwendung von Fit Least Squares fallen. Die Steigung der durchgezogenen roten Linie passt nicht gut. Ich habe mir einige Beispieldatensätze angesehen und Probleme mit den Standardmodellskripten in diesen Datensätzen festgestellt:

 

2x3x4 Fakultät

Bounce-Daten

Weindaten

 

Ich hatte dies vor 2 Jahren als JMP-Ticket, aber ohne wirkliche Auflösung.

Statistik und AnalytikBetreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

Toller Fund, Kira!

Es sieht so aus, als würde die verallgemeinerte Regression auch die kleinsten Quadrate anpassen, tut dies jedoch für standardisierte Residuen und ohne die Vertrauensgrenzen. Das ist also ein weiteres Beispiel, bei dem sich die Ergebnisse zwischen den Modellierungsplattformen zu unterscheiden scheinen.

Betreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

Hi!
Ich würde es auch vorziehen, die Standardabweichung anstelle des RMSE zu sehen, der im normalen Quantildiagramm der Ausgabe des Anpassungsmodells verwendet wird.

Der Grund dafür ist, dass, wenn Sie die „Mixed Model“-Persönlichkeit anstelle der „Standard-Least-Squares“-Persönlichkeit verwenden würden, das Residuenquantildiagramm auch die Standardabweichung und nicht den RMSE zum Zeichnen der Linie verwenden würde (selbst wenn es keine zufälligen Effekte gibt). im Modell enthalten). Aus Gründen der Konsistenz zwischen Plattformen / Persönlichkeiten wäre es daher günstig, nur eine der Optionen (vorzugsweise die Standardabweichung) zu verwenden.

Am besten,
Kira

Betreff: Kleinste Quadrate anpassen - Darstellung von Residuen nach normalen Quantilen Verbesserungen - Status geändert in: Zur Abstimmung offen

Vielen Dank, @jszarka . Wir verfolgen die Anfrage intern, aber ich habe keine Neuigkeiten.

Betreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

Irgendwelche Updates für diesen Thread?

Betreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

Ich hätte gerne eine Option, bei der die Standardabweichung der Residuen (stdev) so ist, wie das Diagramm erstellt wird, und nicht der RMSE. Ich würde wetten, dass, wenn ich 10 zusammenfassende DOE-Datensätze von JMP durchgehen würde, die „gut“ sind, viele von ihnen den Fat-Pen-Test nicht bestehen würden, wenn ich den RMSE verwende, wie in meiner obigen Grafik gezeigt.

 

(Entschuldigung für die verspätete Antwort - ich war im Urlaub, nicht uninteressiert an diesem Thema!)

Betreff: Kleinste Quadrate anpassen - Darstellung von Residuen nach normalen Quantilen Verbesserungen - Status geändert in: Benötigt Informationen

@jszarka , können Sie anhand der obigen Frage zur Klärung beitragen?

Betreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

In der Distributionsplattform können Sie die diagonale Referenzlinie mit der Option "Anpassen ..." replizieren und ein neues Skript hinzufügen:

 

Y Function( StdDev * (Normal Quantile( x )), x );

 

Wobei „StdDev“ die Standardabweichung der Residuen ist. In der Fit-Model-Plattform wird der RMSE als Schätzwert für die Standardabweichung verwendet:

 

Y Function( RMSE * (Normal Quantile( x )), x );

 

Fordern Sie, dass die Fit Model-Plattform eine Option bereitstellt, um den berechneten Standardfehler der Residuen aus dem angepassten Modell zu verwenden, um die Referenzlinie zu konstruieren?

Betreff: Kleinste Quadrate anpassen – Residuen durch normale Quantile darstellen Verbesserungen

Hier ist ein Beispiel aus den 2x3x4-Faktorendaten. Sie können auf der linken Seite sehen, dass alle Punkte „über“ der durchgezogenen roten Linie liegen, während auf der rechten Seite alle Punkte „unter“ der durchgezogenen roten Linie liegen.