이상치 분석이상값이나 기타 관심 지점을 식별하려는 데이터 세트가 있습니다. 예측 플롯을 통해 실제 모델을 보면 별 표시가 있는 점이 나타납니다. 그러나 Mahalanobis 거리와 Jacknife 거리가 반드시 동일한 방식으로 이러한 점을 식별하지는 않습니다. 특이치 분석에 대한 권장 사항이 있습니까?
기본 데이터 분석 및 모델링Re: 이상치 분석데이터는 어떻게 수집되었나요? 이는 어떤 분석이 적절한지에 큰 영향을 미칩니다. Victor가 지적한 것처럼 Mahalanobis는 다변량 이상값 탐지기입니다. 반응이 일변량인 경우 오래된 관리도를 사용하는 것이 좋지만 이는 데이터 수집 방법에 따라 달라집니다.
Re: 이상치 분석안녕하세요 @sanch1 님 ,
서로 다른 목표를 가지고 이상값을 평가하는 두 가지 매우 다른 방법을 비교하고 있습니다.
- Mahalanobis 거리와 같은 모델에 구애받지 않는 이상치 탐지 방법은 지정된 모델에 의존하지 않고 변수/요인/특징을 기반으로 점 사이의 거리를 비교합니다. 따라서 이러한 유형의 방법으로 식별된 이상치는 이 점이 "이상하게" 보이고 다른 점의 요인 분포에 포함되지 않는 것 같다는 것을 나타냅니다.
- 모델에 의해 잘 적합/예측되지 않는 이상값을 식별할 수 있는 잔차(스튜던트화 잔차 또는 PRESS RMSE/R2...와 같은 기타 측정항목)를 기반으로 하는 모델 기반 이상값 감지 방법입니다. 이는 모델에 일부 중요한 용어(예: 상호 작용 또는 비선형 효과)가 누락되었거나 데이터에 적합하지 않을 수 있음을 나타낼 수 있습니다. 다른 진단 패널/도구를 사용하여 모델의 통계적 유의성, 정보 기준/RMSE/R2와 같은 목표에 따른 다양한 측정항목을 기반으로 모델이 데이터에 잘 맞는지 확인할 수 있습니다. 또한 확인할 수도 있습니다. 이 감지된 모델 기반 이상값이 Cook의 거리를 계산하여 모델에 큰 영향을 미치는 경우: https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-multiple-regression/mlr-residual-analytic -and-outliers.html 이러한 점의 값이 높거나 비정상적이라면 이는 해당 점이 영향을 미칠 수 있으며 모델에 편향이 있을 수 있음을 나타냅니다. 그런 다음 모델에 대한 영향을 줄이거나 제거하기로 결정하기 전에 이러한 점이 무엇인지, 측정이 유효한지 조사해야 합니다.
유사한 주제에 대한 이전 답변의 이상값에 대한 추가 정보: https://community.jmp.com/t5/Discussions/Supress-the- effect-of-outliers-when-fitting-the-model-and-in/mp/ 747105/하이라이트/true#M92689
이 답변이 도움이 되길 바라며,
