En la plataforma Fit Model, cuando hago un "ajuste de mínimos cuadrados" multivariado, la plataforma me permite guardar tres valores en columnas:
- Error estándar de lo previsto
- Error estándar de residuo
- Error estándar del individuo
Estoy interesado en saber cómo cambia el error de modelado en las variables predictoras, en lugar de usar simplemente un valor RMSE plano para todo el modelo (por ejemplo, podría ver una gran variación a bajo voltaje).
Estos 3 valores de StdError me resultan interesantes, pero no sé cómo interpretarlos. Stderr Residual/Individual están muy cerca de mi número RMSE, pero hay muy poca variación: los valores son muy similares en toda la tabla (en mi tabla, RMSE es ~32 MHz.... "StdErr of Residual" varía de 30,2 a 32,1 y "StdErr of Individual" varía de 32,3 a 34,0)
Sin embargo, el "Stderr de lo previsto" parece ser bastante interesante y la tendencia tiene sentido para mí: la variación es menor cuando tengo más puntos de datos (lo que sugiere que el modelo tiene más confianza allí)... sin embargo, la magnitud de los números no No tiene sentido. Varía de 2,66 a 11 MHz. No estoy seguro de cómo cuadrar eso con el RMSE general de 32.
¿Alguien puede ayudarme a entender esto?
Gracias,
Charles
Creo que lo entiendo mejor ahora, después de profundizar en este tema. StdError of Individual parece ser la base de un intervalo de confianza, que es ese se, escalado por un multiplicador t:
Hi Charles,
Gracias por responder tu propia pregunta. Lo estaba investigando, pero me encontré aprendiendo el tema para responder a su pregunta, ya que no tenía información adicional más allá de lo que proporcionaba la documentación en línea de ayuda de JMP.
Al comparar esos 3 tipos de errores entre sí, parece que existen relaciones formuladas entre los 3 y se utilizan para determinar los niveles de confianza de los parámetros de ajuste del modelo.
Lo que encuentro útil a partir de estos errores es ver si los residuos muestran alguna variación sistemática. Si lo hacen, es un indicador de que su modelo no está siendo adecuado y le falta algún efecto clave.
Marca
