Richtige Freiheitsgrade?Hallo,
Ich verwende die Funktion „Modell anpassen“, um eine kontinuierliche Variable mit 6 verschiedenen kategorialen Effekten zu modellieren. Der für das Modell aufgeführte DF wird jedoch mit 8 statt mit 6 angegeben, und die Parameterschätzungen unterteilen zwei dieser kategorialen Variablen in jeweils zwei Kategorien. Warum werden diese beiden Variablen in zwei Kategorien unterteilt? Sind die Freiheitsgrade korrekt? Ich habe Fotos des Bildschirms „Anpassen des Modells“ und des Bildschirms „Parameterschätzungen“ beigefügt. Danke schön!
Grundlegende Datenanalyse und ModellierungBetreff: Richtige Freiheitsgrade?Hallo @JenniferB ,
Willkommen in der Community!
Ohne vollständigen Zugriff auf die Daten ist es möglicherweise etwas komplexer, Ihnen zu antworten, aber ich werde mein Bestes geben, indem ich die Informationen aus den Screenshots verwende. Bitte korrigieren Sie mich, wenn einige meiner Annahmen zu Ihrem Datensatz falsch sind.
Sehen wir uns an, was sich hinter den für Ihr Modell berechneten Freiheitsgraden (DFs) verbirgt:
- DFs in Ihrem Datensatz: Wenn Sie sich das Feld „Varianzanalyse“ ansehen, scheinen Ihr Datensatz 50 verschiedene Beobachtungen zu haben, also insgesamt 50 Freiheitsgrade. Wenn Sie doppelte Beobachtungen haben, d. h. wenn Sie Beobachtungen mit denselben X-Werten haben, fügen diese Beobachtungen keine Freiheitsgrade hinzu (sie können jedoch bei der Schätzung der Antwortvarianz hilfreich sein).
- DFs in Ihrem Modell: Die Anzahl der von Ihrem Modell „verbrauchten“ DFs hängt von der Art Ihrer Faktoren ab. Beispielsweise verwendet jeder numerische kontinuierliche Faktor 1 DF im Modell, um den Parameter in der Gleichung zu schätzen. Für den kategorialen Faktor hängt die Anzahl der verwendeten DFs von der Anzahl der Ebenen ab: Für N Ebenen in einem kategorialen Faktor beträgt die Anzahl der in der Modellierung verwendeten DFs N-1. da die Parameterschätzung der letzten Ebene aus den anderen berechnet werden kann: Im Falle eines 3-Ebenen-Faktors beträgt die Summe der Ebenenschätzungen L1+L2+L3 = 0.
Beispiel hier mit der Gleichung des Hot-Dog-Preises in Abhängigkeit von der Fleischsorte: Sie können überprüfen, ob die Summe der 3-stufigen Parameterschätzungen tatsächlich gleich 0 ist:
Um auf Ihr Thema zurückzukommen: Sie scheinen die folgenden Faktoren in Ihrem Modell zu haben:
- F28: Geschlecht: 2-stufiger kategorialer Faktor (entspricht 1 DF),
- F31: Heimatstadt: 3-stufiger kategorialer Faktor (repräsentiert 2 DFs),
- Q32: Höchster Abschluss: 2-stufiger kategorialer Faktor (entspricht 1 DF),
- F39: EuthExp: 3-stufiger kategorialer Faktor (repräsentiert 2 DFs),
- F43: PriorTraining: 2-stufiger kategorialer Faktor (repräsentiert 1 DF),
- F44: Euth6mos: 2-stufiger kategorialer Faktor (repräsentiert 1 DF).
Die Berechnungen in JMP sind also korrekt. Sie haben insgesamt 1+2+1+2+1+1 = 8 DFs in Ihrem Modell verwendet, in Ihrem Datensatz standen 50 DFs zur Verfügung, sodass 42 DFs übrig bleiben und für die Fehlerschätzung verwendet werden , wie im Bereich „Varianzanalyse“ zu sehen ist.
Ich hoffe, diese Antwort verdeutlicht die Ergebnisse, die Sie sehen.
Betreff: Richtige Freiheitsgrade?Ja, das macht Sinn! Ich danke Ihnen für Ihre Hilfe!
Jen
Betreff: Richtige Freiheitsgrade?Nur eine mögliche Klarstellung: Wenn Sie insgesamt 50 DFs haben, müssen Sie insgesamt 51 Beobachtungen haben.
Betreff: Richtige Freiheitsgrade?Ja, ich habe vergessen, 1 DF für den Intercept zu zählen, guter Fang!
