nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

674508_de-DE

liliconcom

Wie erkenne und behandle ich Multikollinearität beim Erstellen von Modellen?

Eine hohe Korrelation bei Prädiktorvariablen kann Ihrem linearen Regressionsmodell schaden. Dieses Problem wird Kollinearität oder Multikollinearität genannt.Das erste Video gibt einen Überblick über Kollinearität, wie man sie versteht, wie man sie erkennt, wie sie mit dem in JMP-Berichten angezeigten VIF (Variance Inflation Factor) zusammenhängt und wie man VIF interpretiert.Das zweite Video zeigt, wie Sie mithilfe der Hauptkomponentenanalyse Modelle erstellen, die die Kollinearität genau berücksichtigen.Im beigefügten JMP-Journal finden Sie die in den Videos verwendeten Daten, sodass Sie die Techniken ausprobieren können.

JMP Dokumentation zu Korrelationen und multivariaten Techniken
JMP Dokumentation zu PCA
Vier halbtägige öffentliche Kurse von JMP Education Analyse und Modellierung mehrdimensionaler Daten .
Beherrschen von JMP-Videos und -Materialien auf Erstellen von Vorhersagemodellen für korrelierte und hochdimensionale Daten

Erweiterte statistische Modellierung

Comments

There are no comments yet