더 나은 예측을 위해 데이터를 변환합니다.
방법을 알아보세요:
- 변환이 분산을 안정화하고, 설계 영역 전체에 걸쳐 오차를 더욱 균일하게 만들고, 적합성 부족 문제를 해결하고, 물리적 한계를 위반하지 않고, 음수 값을 표시하지 않고, 수율을 100% 이상으로 잘못 보고하지 않는 방식으로 예측값을 그래프로 나타내는 이유를 이해하십시오.
- 그래프 빌더를 사용하여 데이터를 실시간으로 변환하고, 그래프의 가독성과 해석력을 향상시키기 위해 스케일을 변경하세요.
- 제곱근 변환을 사용하여 음수 값을 제거하고, 반응 변수에 Box-Cox 거듭제곱 변환을 적용했을 때 적합도가 어떻게 변하는지 살펴봅니다.
- 변환을 하지 않은 경우, 로그 변환 후 원시 단위로 예측한 경우, 그리고 로그 변환 후 로그 단위로 예측한 경우를 비교합니다.
- 다항식을 2차로 변환하는 매크로를 사용하여 제곱근 변환을 통해 모델 효과를 구성하고, 최적의 변환을 식별하고, 선택한 변환을 적용하고, 잔차를 데이터 테이블에 저장하고, 분포를 사용하여 결과를 평가합니다.
- 제곱근 변환이 어떻게 더 균일한 카운트 분포와 더 선형적인 관계를 보여줄 수 있는지 살펴보세요.
Why Transforrmations Can Be Useful변화가 유용한 이유변화가 유용한 이유
고급 통계 모델링데이터 혼합 및 정리
