Dans la plateforme Ajuster le modèle, lorsque j'effectue un « ajustement des moindres carrés » multivarié, la plateforme me permet d'enregistrer trois valeurs dans les colonnes :
- Erreur standard de prévision
- Erreur standard de résidu
- Erreur standard de l'individu
Je souhaite savoir comment l'erreur de modélisation change à travers les variables prédictives, au lieu d'utiliser simplement une valeur RMSE plate pour l'ensemble du modèle (par exemple, je pourrais voir une variation élevée à basse tension)
Donc ces 3 valeurs StdError m'intéressent, mais je ne sais pas comment les interpréter. Stderr Residual/Individual sont très proches de mon numéro RMSE, mais il y a très peu de variation - les valeurs sont très similaires dans l'ensemble du tableau (dans mon tableau, le RMSE est ~ 32 MHz.... "StdErr of Residual" varie de 30,2 à 32,1 , et "StdErr of Individual" varie de 32,3 à 34,0)
Cependant, le "Stderr of Predicted" semble être assez intéressant et la tendance me semble logique - la variation est plus petite là où j'ai plus de points de données (ce qui suggère que le modèle est plus confiant à cet endroit)... cependant l'ampleur des chiffres ne le fait pas. Cela n’a pas de sens. Elle varie de 2,66 à 11 MHz. Je ne sais pas comment concilier cela avec le RMSE global de 32.
Quelqu'un peut-il m'aider à comprendre cela ?
Merci,
Charles
Je pense que je comprends mieux maintenant, après avoir approfondi ce sujet. StdError of Individual semble être la base d'un intervalle de confiance, qui est celui-ci, mis à l'échelle par un multiplicateur t :
Salut Charles,
Merci d'avoir répondu à votre propre question. J'y étudiais, mais je me suis retrouvé à apprendre le sujet pour répondre à votre question, car je n'avais pas d'informations supplémentaires au-delà de ce que fournissait la documentation en ligne de l'aide JMP.
En traçant ces 3 types d'erreurs les uns par rapport aux autres, il semble qu'il existe des relations formelles entre les 3 et elles sont utilisées pour déterminer les niveaux de confiance des paramètres d'ajustement du modèle.
Ce que je trouve utile à partir de ces erreurs, c'est de voir si les résidus présentent une variation systématique. Si tel est le cas, cela indique que votre modèle est sous-ajusté et manque certains effets clés.
Marque
