Données biaisées négativementJ'essaie d'exécuter un test de régression multiple dans JMP, mais mes données résiduelles ne répondent pas à l'hypothèse de distribution. L'asymétrie était de -1,21 et l'aplatissement de 4,52, donc mes données sont asymétriques négativement. Comment dois-je procéder ? (Je suis un peu débutant.) Nous n'avons pas entendu parler des transformations telles que le journal ou la racine carrée. J'ai essayé les deux en les ajoutant séparément en tant que formules pour la colonne de données résiduelles, mais tout ce que j'ai obtenu, ce sont des points irréalisables dans la colonne.
les fenêtresRe : Données biaisées négativementJe suppose que vous avez fait une analyse de régression multiple (le mot « test » ici est une utilisation étrange de ce terme). Si tel est le cas, la première chose que je dirais est que vos résidus ne semblent pas si inquiétants. Les hypothèses de régression multiple sont très indulgentes - elles sont rarement satisfaites mais cela n'a généralement pas beaucoup d'importance. Cependant, dans la mesure où vos résidus sont asymétriques, il est naturel d'essayer une transformation logarithmique. Le moyen le plus simple de le faire est de placer votre variable Y dans la case de la variable de réponse, de cliquer sur le menu déroulant à côté de "Transformer" dans cette fenêtre et de demander le journal. Utilisez ensuite les mêmes effets de modèle que vous utilisiez.
Je suppose que la transformation logarithmique n'améliorera peut-être pas beaucoup les choses ici puisque les résidus avaient une asymétrie négative (je pense qu'ils seraient plus appropriés pour une asymétrie positive). Vous pouvez donc essayer certaines des autres transformations. Cependant, comme je l'ai dit, je ne pense pas que vos résidus semblent avoir besoin de modifier le modèle. J'examinerais les autres aspects de votre modèle (les coefficients des effets sont-ils significatifs et ont-ils du sens ? le modèle global est-il bien ajusté ? de quelles autres données disposez-vous que vous n'avez pas utilisées ? à quoi ressemble le tracé résiduel comme - la dispersion est-elle raisonnablement aléatoire ?) avant de trop se soucier de la répartition des résidus.
Re : Données biaisées négativementVous voudrez peut-être examiner une transformation Box-Cox
Re : Données biaisées négativementSalut @StacyKJones , j'appuie ce que @txnelson a suggéré avec l'option Box Cox située ici :
Non seulement cela permettra de trouver la meilleure transformation, mais vous pourrez également réajuster le modèle dans une nouvelle fenêtre d'analyse afin de pouvoir comparer les deux modèles et voir comment la transformation l'a amélioré. De plus, il conserve les unités dans les unités d'origine pour le profileur, ce qui est bien.
Steve
Re : Données biaisées négativementLa seule autre chose que j'ajouterai aux réponses de @dlehman1 et @txnelson (avec lesquelles je suis d'accord) est, oublions pour le moment les statistiques. Et traitez de l’aspect pratique. Si en fin de compte, si vous pouvez résoudre/résoudre le problème pratique avec le modèle avec lequel vous vous êtes retrouvé… qui se soucie des statistiques ? Je viens de l'industrie en tant que statisticien en exercice... les équipes dans lesquelles je faisais partie étaient payées pour résoudre des problèmes... et non pour obtenir des modèles parfaits satisfaisant toutes les « hypothèses » associées aux diverses méthodes statistiques.
