Daten transformieren, um bessere Vorhersagen zu treffen
So geht's:
- Verstehen Sie, warum Transformationen die Varianz stabilisieren, den Fehler im gesamten Versuchsraum gleichmäßiger verteilen, mangelnde Anpassung beheben und Vorhersagen so darstellen, dass physikalische Grenzen nicht verletzt, negative Zählwerte nicht angezeigt oder Ausbeuten fälschlicherweise als größer als 100 % angegeben werden.
- Daten können mithilfe des Graph Builders dynamisch transformiert und Skalen angepasst werden, um die Lesbarkeit und Interpretierbarkeit der Diagramme zu verbessern.
- Verwenden Sie die Quadratwurzeltransformation, um negative Werte zu eliminieren, und untersuchen Sie, wie sich die Anwendung der Box-Cox-Potenztransformation auf die Anpassungsgüte auswirken könnte.
- Vergleiche keine Transformation, Logarithmus-Transformation mit Vorhersage in Roheinheiten und Logarithmus-Transformation mit Vorhersage in Logarithmuseinheiten
- Verwenden Sie die Quadratwurzeltransformation, um Modelleffekte mithilfe des Makros „Polynom bis Grad 2“ zu konstruieren, ermitteln Sie die beste Transformation, verwenden Sie die ausgewählte Transformation, speichern Sie die Residuen in einer Datentabelle und werten Sie die Ergebnisse anhand von Verteilungen aus.
- Sehen Sie, wie die Quadratwurzeltransformation eine gleichmäßigere Zählverteilung und einen lineareren Zusammenhang aufzeigen kann.
Why Transforrmations Can Be UsefulWarum Transformationen nützlich sein könnenWarum Transformationen nützlich sein können
Fortgeschrittene statistische ModellierungDatenzusammenführung und -bereinigung
