Transformer les données pour faire de meilleures prédictions
Découvrez comment :
- Comprendre pourquoi les transformations stabilisent la variance, uniformisent l'erreur dans la zone de conception, corrigent le manque d'ajustement et représentent graphiquement les prédictions de manière à ne pas enfreindre les limites physiques, afficher des comptages négatifs ou signaler par erreur des rendements supérieurs à 100 %.
- Transformez les données à la volée à l'aide de Graph Builder et modifiez les échelles pour améliorer la lisibilité et l'interprétabilité du graphique.
- Utilisez la transformation racine carrée pour éliminer les valeurs négatives et examinez comment l'application de la transformation de puissance de Box-Cox à la réponse pourrait modifier l'ajustement.
- Comparer l'absence de transformation, la transformation logarithmique avec la prédiction en unités brutes et la transformation logarithmique avec la prédiction en unités logarithmiques.
- Utilisez la transformation racine carrée pour construire les effets du modèle à l'aide de la macro Polynôme au degré 2, identifiez la meilleure transformation, utilisez la transformation sélectionnée, enregistrez les résidus dans une table de données et évaluez les résultats à l'aide de distributions.
- Observez comment une transformation en racine carrée peut afficher une répartition des comptages plus uniforme et une relation plus linéaire.
Why Transforrmations Can Be UsefulPourquoi les transformations peuvent être utilesPourquoi les transformations peuvent être utiles
Modélisation statistique avancéeFusion et nettoyage des données
