안녕하세요 @LocalTables505 ,
커뮤니티에 오신 것을 환영합니다!
적합성 부족 테스트는 모델이 데이터에 잘 맞는지 평가하는 데 유용합니다. 이 테스트의 통계적으로 유의미한 p-값은 모델 오류가 순수 오류보다 훨씬 크고 모델이 적절하지 않을 수 있음을 나타냅니다. https://www.jmp.com/support/help/en/17.2/#page/jmp/lack-of-fit.shtml
이러한 상황은 수집한 결과/데이터에 비해 1차 모델이 "너무 단순"할 경우 발생할 수 있습니다. 예를 들어, 데이터의 곡률을 모델링하는 데 일부 항목이 누락된 경우(2차 항목, 상호 작용 및/또는 2차 효과)입니다.
잔차 분석을 통해 회귀 모델의 적절성을 확인하여 회귀 가정이 충족되는지, 그리고 모델이 부적절하다는 것을 나타낼 수 있는 패턴이 잔차에 감지되는지 확인할 수도 있습니다. https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html
이 답변이 당신의 이해에 도움이 되기를 바랍니다.
@Victor_G가 쓴 글에 조금 더 추가하자면, 저도 동의하는데, 간단한 산점도 방식으로 응답과 예측 변수를 플로팅했나요? 모델링하기 전에도 거기서 시작하세요. 이렇게 하면 데이터에 가장 적합한 초기 모델을 제안할 수 있는 기회가 생깁니다. 응답(선형, 곡선 등)의 일반적인 패턴, 이상치, 이상하게 보이는 데이터 포인트를 식별하는 데 도움이 되며, 예측 변수 값의 반복본이 있는 경우 그래픽 방식으로 변동성을 살펴볼 수 있습니다. 저는 항상 엔지니어, 과학자 및 다른 사람들에게 성공적인 데이터 분석을 위한 세 가지 단계는 다음과 같다고 말했습니다. 1. 데이터 플로팅. 2. 데이터 플로팅. 3. 데이터 플로팅!
