Hallo Team,
Ich bin noch recht unerfahren mit Regressionsmodellen. Aktuell versuche ich, mithilfe der Funktion „Modell anpassen“ mein eigenes Regressionsmodell zu erstellen. Der Grund dafür ist, dass ich anhand historischer Daten fehlerhafte Datenpunkte herausfiltern möchte. Ich habe beispielsweise einen Datensatz mit historischen Daten, aus dem ich das Modell erstelle. Nachdem ich das Modell erhalten habe, versuche ich, die Ausgabe vorherzusagen und die Differenz zwischen vorhergesagten und tatsächlichen Werten zu vergleichen. Je höher das Residuum ist, desto wahrscheinlicher ist es, dass dieser Datenpunkt aus der Norm stammt.
Beim Anpassen des Modells stellte ich fest, dass die Wahl unterschiedlicher Parameter zu unterschiedlichen Ergebnissen führt. Nachdem ich das Modell erstellt hatte, überprüfte ich die Datenpunkte mit hohen studentisierten Residuen auf ihre Gültigkeit. Um ein geeignetes Modell zu erhalten, musste ich die Parameterwahl mehrmals wiederholen. Betrachten wir dazu das folgende Beispiel.
Modell 1:
Modell 2:
Wie Sie sehen, weist Modell 2 im Vergleich zu Modell 1 deutlich mehr Datenpunkte mit hohem studentisiertem Residuum auf. Bei der Validierung dieser Datenpunkte mit hohem studentisiertem Residuum wurden sie als fehlerhaft eingestuft. Modell 2 scheint daher robuster zu sein.
Meine Frage ist, warum Modell 2 trotz hoher R²-Werte bei beiden Modellen mehr fehlerhafte Datenpunkte herausfiltern konnte. Könnte das an den von mir gewählten Parametern für die Modellerstellung liegen?
Fragen:
-Wenn ich Datenpunkte in einer neuen Spalte des Datensatzes als Gut/Schlecht klassifiziere, gibt es in JMP eine Methode, die mir vorschlagen kann, welche Parameter ich auswählen sollte, damit das Modell robuster ist und schlechte Datenpunkte besser herausfiltern kann?
-Wenn ich die Datenpunkte nicht klassifiziere, gibt es in JMP eine Methode, die mir Vorschläge für die Auswahl von Parametern machen könnte, damit das Modell robuster wird und schlechte Datenpunkte besser herausfiltert?
Hoffentlich kann ich von der Community Ratschläge erhalten.
schätzt
