Modell 1. Ordnung vs. Modell 2. Ordnung in .jmpWie erkläre ich, dass mein Modell zweiter Ordnung eine signifikante Beziehung zwischen Prädiktoren und Antworten zeigt, da ich keine fehlende Anpassung hatte, während ich mit denselben Daten bei einem Modell erster Ordnung eine signifikante fehlende Anpassung hatte? Wie erkläre ich, dass die 2. Ordnung eine bessere Annäherung an die Daten liefert? Ich versuche gerade, es zu verstehen, da ich im Moment nur ein grundlegendes Verständnis davon habe. Vielen Dank im Voraus.
Hallo @LocalTables505 ,
Willkommen in der Community!
Der Lack-of-Fit-Test ist hilfreich, um zu beurteilen, ob Ihr Modell gut zu den Daten passt. Ein statistisch signifikanter p-Wert für diesen Test zeigt an, dass der Modellfehler wesentlich größer ist als der reine Fehler und dass Ihr Modell möglicherweise nicht angemessen ist: https://www.jmp.com/support/help/en/17.2/#page/jmp/lack-of-fit.shtml
Diese Situation kann in Ihrem Beispiel eintreten, wenn Ihr Modell erster Ordnung für die von Ihnen gesammelten Ergebnisse/Daten „zu einfach“ ist, beispielsweise wenn einige Terme zur Modellierung der Krümmung in Ihren Daten fehlen (durch Terme zweiter Ordnung, Interaktion und/oder quadratische Effekte).
Sie können die Eignung Ihres Regressionsmodells auch durch eine Residuenanalyse prüfen, um festzustellen, ob die Regressionsannahmen erfüllt sind und ob in den Residuen Muster erkannt werden, die auf eine Unzulänglichkeit des Modells hinweisen könnten: https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html
Ich hoffe, diese Antwort hilft Ihnen beim Verständnis.
Betreff: Modell 1. Ordnung vs. Modell 2. Ordnung in .jmpIch möchte zu allem, was @Victor_G geschrieben hat, noch etwas hinzufügen, dem ich zustimme: Haben Sie Ihre Antworten im Vergleich zu den Prädiktoren in einem einfachen Streudiagramm dargestellt? Ich würde damit beginnen, sogar noch vor der Modellierung. Dadurch haben Sie eine reelle Chance, ein erstes Modell vorzuschlagen, das am besten zu den Daten passt. Es hilft Ihnen, ein allgemeines Muster in den Antworten (linear, kurvilinear usw.), Ausreißer und seltsam aussehende Datenpunkte zu erkennen, und wenn Sie Replikate der Werte des Prädiktors haben, haben Sie die Möglichkeit, deren Variabilität grafisch darzustellen. Wie ich meinen Ingenieuren, Wissenschaftlern und anderen immer gesagt habe, sind die drei Schritte zu einer erfolgreichen Datenanalyse: 1. Zeichnen Sie die Daten auf. 2. Zeichnen Sie die Daten auf. 3. Zeichnen Sie die Daten auf!
