Influenza dell'effetto casuale rispetto agli effetti fissi sul modello totale RsqCiao a tutti,
Avevo una domanda su come interrompere l'Rsq di un modello con un effetto casuale rispetto alla percentuale di contributo in uscita.
Questo proviene dal datatable di esempio "Machine" di JMP
A sinistra c'è il modello senza i fattori casuali e a destra c'è l'output con essi. Puoi vedere che Rsq va da .53 a .99 quando aggiungi gli effetti casuali.
Quindi gli effetti casuali possono spiegare la metà della variazione dei dati, quindi sia gli effetti casuali che gli effetti fissi sono molto importanti. Tuttavia, l'unico modo che conosco per poterlo vedere è eseguire entrambi i modelli. C'è un modo per esaminare i risultati del solo modello a effetti casuali e arrivare alla stessa conclusione? So che puoi farti un'idea visiva osservando la differenza tra i grafici effettivi e quelli previsti dei modelli marginali e condizionali.
Grazie per qualsiasi intuizione!!
Steve
Modellazione statistica avanzataOggetto: Influenza dell'effetto casuale rispetto agli effetti fissi sul modello totale RsqGrazie per la veloce risposta Vittorio!
Immagino che sto cercando di vedere se esiste un modo più quantitativo per sapere quale quantità di Rsq spiega l'effetto casuale rispetto agli effetti fissi. In questo momento l'unico modo che conosco per ottenere questo è eseguire sia un modello misto che un modello a effetti fissi e la differenza tra i due modelli Rsqs è quanto spiegano gli effetti casuali. Speravo che ci fosse un modo per determinarlo solo con gli output del modello misto.
Il motivo per cui lo chiedo è che ho avuto modelli in cui l'effetto casuale spiega quasi tutta la variazione nei dati e ho potuto vederlo nella realtà attraverso i grafici previsti, ma non sono riuscito a inserirvi un numero.
Oggetto: Influenza dell'effetto casuale rispetto agli effetti fissi sul modello totale RsqCiao @ shampton82 ,
Se si osserva l'equazione di R², si tratta di un rapporto tra la somma dei quadrati dei residui (da un modello) e la somma totale dei quadrati (legata alla varianza dei dati):
da Wikipedia: Coefficiente di determinazione - Wikipedia
Quindi R² è una metrica che indica la proporzione di variabilità spiegata dal modello.
Quando parte della varianza nei dati viene attribuita a un effetto casuale, ciò riduce la parte inspiegata della varianza, quindi riduce la somma residua dei quadrati, aumentando così R² (allo stesso modo in cui viene aggiunto un effetto fisso).
È possibile osservare questa situazione anche osservando il miglioramento dell'RMSE tra i due modelli, passando da 5,91 a 0,93 quando si includono gli effetti casuali. Se modifichi questi effetti da casuali a fissi, avrai le stesse metriche R² e RMSE.
L'inclusione di effetti come casuali o fissi in un modello è legata al modo in cui i dati sono stati raccolti/generati (ad esempio da DoE), al ruolo dei fattori e alle ipotesi/ipotesi sulla loro influenza sulla/e risposta/i.
Lascerò che altri esperti approfondiscano questo argomento.
Spero che questo primo avvio della discussione possa essere d'aiuto,
