残差クエリこんにちは、
現在、あるデータに曲線を当てはめ、データを外挿するための式を作成しようとしています。どのモデルもAICとBICの値が非常に高く、うまく当てはまらなかったため、対数関数を使ってデータを変換しました。その後、曲線の当てはめセクションに戻り、機械的成長モデルがうまく機能し、非常に良好なAICとBIC値を生成していることがわかりました。しかし、残差に以下に示すようなパターンがあることに気付きました（Y = 残差、X = データ）。これらの残差は、わずかな曲線が見られるためパターンを示していますが、実際のデータ値は5～16の範囲であるにもかかわらず、残差は0.1～0.05と表示されています。残差のパターンは実際のデータと比較して非常に小さいため、重要ではないのでしょうか？各データポイントは互いに独立しておらず、基本的に時系列データであるため、それが影響しているのでしょうか？モデル（X）から生成された結果と元のデータ（Y）を比較したグラフも以下に添付しました。フィードバックをいただければ幸いです。よろしくお願いします。
高度な統計モデリング残差クエリについてこんにちは、 @SelectionIguanaさん、
データはX軸（つまり時間）に依存しており、これは曲線データでは当然のことです。これらの形状は、ほぼ完璧な「機能的」モデルにも現れ、X軸とY軸の関係が線形ではないため、系統的曲率の結果として生じます。完璧な適合度であっても、モデルの形状によっては残差がパターン状に密集することがあります（以下は、RSqが0.99で残差が異なるモデルの例です）。また、異なるパラメータではより大きな変動が見られる可能性が高く、つまり、値が常に漸近線での位置よりも大きくなる可能性があります。
他の人もこれに追加すると思いますが、残差から明らかな傾向の違いが把握できない限り、他のモデル テスト パラメータに焦点を当てると思います。
ありがとう、
ベン
残差クエリについて2つ目のグラフが実際のデータであれば、残差の明らかなパターンは無視したくなります。線形近似は非常に説得力があるように見えます。残差グラフから判断すると、非線形パターンが存在することは間違いありません。そのパターンをモデル化しようとするか、線形近似のみに頼るかは、データに関するより詳細なコンテキストが不可欠です。データポイントは多くないため、ここで何が測定されているのか、そしてモデルの目的は何なのかを理解する必要があります。そのようなコンテキストがなければ、残差の小ささや残差の明確なパターンをモデル選択の理由として頼るのは危険だと思います。何が測定されているのか、そしてモデルの目的は何なのかについて、何か教えていただけますか？
残差クエリについてデータは実際には時系列なので、連続する測定値は互いに独立していないとおっしゃいましたね。これは、あなたが見ている残差のパターンを説明するのにも役立つと思います。連続する点の間には何らかの自己相関がある可能性が高いため、残差は独立しておらず、ここで見られるように、時間の経過とともにクラスター状に現れることになります。これを検証するには、JMPに搭載されているダービン・ワトソン検定を実行できます。
結局のところ、モデルのエラー構造が間違っているのであって、必ずしも適合自体が間違っているわけではありません (ただし、このためには生の X、Y データを確認する必要があります)。
