Rcarré préditJe voulais utiliser Rsquare prédit pour tester si mon modèle est surajusté ou non.Je ne suis pas vraiment familier avec cela, j'ai donc quelques questions concernant Rsquare prédit.
1. Dans quelle mesure le Rcarré prédit est-il plus petit qu'un signe de surajustement ?Si le R-carré ajusté est de 0,94 et que le R-carré prédit est de 0,84, est-ce que ça va ?
2. Je ne comprends pas entièrement comment le Rcarré prédit a été calculé.Je sais qu'il faut un point de données à chaque fois, obtenir un modèle de régression, remettre ce point de données et obtenir un R-carré. Il est répété pour tous les points de données et fait la moyenne des R-carrés obtenus.Mais comment obtenir ces modèles de régression ? JMP utilise-t-il une approche d'apprentissage automatique pour obtenir le modèle ? Ces modèles de régression sont-ils différents du modèle que j'ai choisi ?
3. J'ai trouvé qu'il n'est pas toujours vrai de dire que le R-carré prédit chutera davantage s'il y a plus de facteurs dans le modèle. J'ai trouvé que, par exemple, le modèle à 2 facteurs peut avoir un R-carré prédit inférieur à un modèle à 3 facteurs (bien que le troisième facteur ait une valeur p (beaucoup) supérieure à 0,05).Dans ce cas, dois-je inclure 2 ou 3 facteurs dans le modèle ?
Re : Rcarré préditJuste pour ajouter aux commentaires de Mark, l'une des méthodes pour déterminer le modèle par rapport aux spécifications consiste à utiliser le delta entre le R-carré et le R-carré ajusté. Les R-quares augmentent à mesure que le nombre de degrés de liberté dans le modèle augmente (indépendamment de l'importance ou non de ces DF). R-carré ajusté prend en compte "l'importance" des DF dans le modèle, donc en ajoutant des degrés de liberté sans importance au modèle, le delta augmentera (le R-carré ajusté n'augmentera pas au rythme du R-carré) .
Re : Rcarré préditVous ne devez pas utiliser le carré R pour la sélection du modèle. Il augmente toujours lorsque vous rendez un modèle plus complexe (par exemple, ajoutez un terme au prédicteur linéaire dans la régression). Il diminue toujours lorsque vous rendez un modèle moins complexe.
Cependant, l'utilisation de la validation croisée peut rendre le carré R plus utile pour la sélection du modèle. Vous pourriez vous attendre à ce que le R carré de validation n'augmente pas lorsque vous surajustez les données. Spécifiquement:
- Il n'y a aucun moyen d'établir dans quelle mesure une différence entre le R carré de formation et le R carré de validation indique un sur-ajustement. C'est une décision subjective. On peut dire que le modèle pour lequel les deux estimations R au carré sur-ajustent le moins de tous les modèles candidats.
- Il y a un calcul efficace des statistiques "en omettre un" en utilisant la matrice "chapeau" ou "projection".
- Je n'utiliserais pas le changement de R carré pour sélectionner le modèle. Je considérerais d'autres informations, mais je ferais surtout attention à un critère tel que AICc ou BIC.
