Was hat Sie zu dieser Wunschliste inspiriert?
Studentisierte Residuen in Fit-Modell-Berichten enthalten eine Bildlegende in einer anderen Sprache als Englisch
Studentisierte Residuen
Welche Art von Intervall wird mit „95 %“ beschrieben?
„Gleichzeitige Grenzen“ bedarf einer Übersetzung.
Außer fortgeschrittenen Statistikern weiß niemand, wer Bonferroni ist.
Vielleicht eine englische Erklärung zur Interpretation der Ergebnisse?
Die Auswirkung ist eine Vereinfachung der Benutzeroberfläche, um den Nutzen und die Verständlichkeit der Berichtskomponenten zu verbessern.
Bei einem Kundenbesuch vor Kurzem zeigte man mir einen problematischen Datensatz, den man seit drei Monaten untersuchte. Als ich sie die Analyse durchgehen ließ, war das Problem sehr deutlich: zwei große Ausreißer im Modell. Es war im studentisierten Residuendiagramm sehr leicht zu erkennen, aber sie hatten es ausgeschaltet, weil sie nicht wussten, was es bedeutete. Innerhalb weniger Minuten hatten wir das Problem mit dem Datensatz vollständig geklärt und sie konnten die Ergebnisse des Experiments interpretieren und zukünftige Vorhersagen für einen Bereich des Designraums treffen, den sie zuvor nicht untersuchen wollten.
Wenn ich vorstelle, wie man DOE-Daten analysiert, muss ich erklären, was dieses Diagramm bedeutet. Die Bildlegende ist nicht Teil der Lösung.
@Byron_JMP, können Sie bitte Änderungsvorschläge für die Formulierung machen?
Abbildung 1: Diagramm der studentisierten Residuen und mittlerer quadratischer Fehler für jede Antwort.
Ein studentisiertes Residuum wird berechnet, indem das Residuum durch eine Schätzung seiner Standardabweichung geteilt wird. Die Standardabweichung für jedes Residuum wird unter Ausschluss der Beobachtung berechnet. Studentisierte Residuen sind beim Erkennen von Ausreißern und bei der Beurteilung der Annahme gleicher Varianzen effektiver. Das Diagramm „Studentisiertes Residuum nach Zeilennummer“ führt im Wesentlichen einen Test für jedes Residuum durch. Studentisierte Residuen, die außerhalb der roten Grenzen liegen, sind potenzielle Ausreißer.
https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-multiple-regression/mlr-residual-analysis
