MiniTab的拟合回归模型的分析

拟合回归模型概述

使用拟合回归模型和普通最小二乘法可以描述一组预测变量和一个连续响应之间的关系。可以包括交互作用项多项式项执行逐步回归变换偏斜数据

例如,房地产评估人员想了解城市公寓与多个预测变量(包括建筑面积、可用单元数量、建筑年限和到市中心的距离)之间的相关性。检验员可以使用多个回归来确定预测变量是否与销售价格显著相关。

在执行分析之后,Minitab 将存储模型,以便执行如下操作:

  • 预测新观测值的响应。
  • 绘制变量之间的关系图。
  • 查找对一个或多个响应进行优化的值。

菜单位置:统计 > 回归 > 回归 > 拟合回归模型。

何时使用备择分析

  • 如果标绘一个连续(数值)预测变量和一个连续响应之间的关系,请使用 拟合线图。
  • 如果具有嵌套或随机的类别预测变量,则在具有所有固定因子时使用拟合一般线性模型,或在具有随机因子时使用拟合混合效应模型。
  • 如果的响应变量有两个类别(如通过和失败),请使用拟合二元 Logistic 模型。
  • 如果的响应变量包含三个或更多采用一定自然顺序的类别(如非常不同意、不同意、中立、同意和非常同意),请使用顺序 Logistic 回归。
  • 如果的响应变量包含三个或更多不采用自然顺序的类别(如擦痕、凹陷和撕裂),请使用名义 Logistic 回归。
  • 如果的响应变量对发生次数(如缺陷数量)进行计数,请使用拟合 Poisson 模型。

数据注意事项

为了确保结果有效,收集数据、执行分析和解释结果时考虑以下5个准则。

1、预测变量可以是连续变量或类别变量

连续变量可以测量和排序,它可以拥有介于两个值之间的无限数量的值。例如,轮胎样本的直径是连续变量。

类别变量包含有限、可计数的类别数或可区分组数。类别数据可能不是逻辑顺序。例如,类别变量包括性别、材料类型和付款方式。

如果有离散变量,则可以决定是将它视为连续预测变量还是类别预测变量。离散变量可以进行测量和排序,但是它具有可计数的值。例如,家庭成员数是离散变量。可根据水平数以及分析的目的来决定将离散变量视为连续变量还是类别变量。

  • 如果标绘一个连续(数值)预测变量和一个连续响应之间的关系,请使用 拟合线图。
  • 如果具有嵌套或随机的类别预测变量,则在具有所有固定因子时使用 拟合一般线性模型,或在具有随机因子时使用 拟合混合效应模型。

2、响应变量应当是连续变量

如果响应变量是类别变量,则的模型不太可能满足分析假定、准确描述数据或者进行有用的预测。

  • 如果的响应变量有两个类别(如通过和失败),请使用 拟合二元 Logistic 模型。
  • 如果的响应变量包含三个或更多采用一定自然顺序的类别(如非常不同意、不同意、中立、同意和非常同意),请使用 顺序 Logistic 回归。
  • 如果的响应变量包含三个或更多不采用自然顺序的类别(如擦痕、凹陷和撕裂),请使用 名义 Logistic 回归。
  • 如果的响应变量对发生次数(如缺陷数量)进行计数,请使用 拟合Poisson模型。

3、使用最佳做法收集数据

要确保结果有效,请考虑以下准则:

  • 确保数据代表感兴趣的总体。
  • 收集足够多的数据以提供必要的精确度。
  • 尽可能准确和精确地测量变量。
  • 以数据的收集顺序记录数据。

4、预测变量之间的相关性(又称为多重共线性)应当严重

如果多重共线性严重,则可能无法确定要在模型中包括哪些预测变量。要确定多重共线性的严重性,请使用输出的“系数”表格中的方差膨胀因子 (VIF)。

5、模型应当提供良好的数据拟合

如果模型无法与数据拟合,则结果可能会具有误导性。在输出中,使用残值图异常观测值诊断统计量以及模型汇总统计量可以确定模型对数据的拟合优度。

拟合回归模型示例

研究化学家想要了解多个预测变量与棉布抗皱性的关联性。化学家检查 32 件在不同的凝固时间、凝固温度、甲醛浓度和催化剂比率下生产出的棉纤维素。对每件棉布都记录了耐压等级(用来度量抗皱性)。

浓度

比率

温度

时间

评级

8

4

100

1

1.4

2

4

180

7

2.25

7

4

180

1

4.6

10

7

120

5

4.9

7

4

180

5

4.6

7

7

180

1

4.75

7

13

140

1

4.6

5

4

160

7

4.5

4

7

140

3

4.8

5

1

100

7

1.4

8

10

140

3

4.7

2

4

100

3

1.6

4

10

180

3

4.5

6

7

120

7

4.7

10

13

180

3

4.8

4

10

160

5

4.6

4

13

100

7

4.3

10

10

120

7

4.9

5

4

100

1

1.7

8

13

140

1

4.6

10

1

180

1

2.6

2

13

140

1

3.1

6

13

180

7

4.7

7

1

120

7

2.5

5

13

140

1

4.5

8

1

160

7

2

4

1

180

7

1.8

6

1

160

1

1.5

4

1

100

1

1.3

7

10

100

7

4.6

4

1

100

1

1.4

4

1

100

1

1.45

参数设置如下图:

“图形”设置如下图:

主要结果分析

作为预测变量的温度、催化剂比率和甲醛浓度的 p 值小于显著水平 0.05。这些结果表示这些预测变量对抗皱性具有统计意义上非常显著的效应。时间的 p 值大于 0.05,这表示没有足够的证据可以断定时间与响应相关。化学家可能需要重新拟合不具有此预测变量的模型。

Pareto 图显示在显著性水平为 0.05 时,温度、催化剂比率和甲醛浓度的效应在统计意义上显著。最大的效应是催化剂比率,因为它延伸得最远。最小的效应是时间效应,因为它延伸得最近。

此残差图指示该模型可能有问题

  • 残差与拟合值图中的点并未随机分布在零附近。但似乎存在表示不同数据组的点群集。化学家应该研究这些组以确定其原因。
  • 残差与比率图显示了弯曲,这表明催化剂比率与皱纹之间具有曲线关系。化学家应该考虑向该模型添加比率的二次项。

关键输出包括 p 值、系数、R2 及残差图

步骤 1:确定哪些项对响应变异性的贡献最大

使用 Pareto 效应图可比较项的相对量值与统计显著性。该图在模型保留误差的自由度时显示。

Minitab 按照项的绝对值的递减顺序为这些项绘图。图中的参考线表明哪些项是显著项。默认情况下,Minitab 使用显著性水平 0.05 绘制参考线。

主要结果:Pareto 图

在这些结果中,3 个项的效应在统计意义上显著 (α = 0.05)。显著效应为甲醛浓度 (A)、催化剂比率 (B) 和温度 (C)。时间效应 (D) 在统计意义上不显著,因为该条形未延伸出红线

最大的效应是催化剂比率 (B),因为该条形延伸得最远。时间效应 (D) 为最小效应,因为该条形延伸得最近。

步骤 2:确定响应变量和项之间的关联在统计意义上是否显著

要确定响应与模型中每个项之间的关联在统计意义上是否显著,请将该项的 P 值与显著性水平进行比较以评估原假设。原假设声明该项与响应之间没有关联。通常,显著性水平(用 α 或 alpha 表示)为 0.05 即可。显著性水平 0.05 指示在实际上不存在关联时得出存在关联的风险为 5%。

P 值 ≤ α:关联在统计意义上显著

如果 P 值小于或等于显著性水平,则可以得出响应变量与项之间的关联在统计意义上显著的结论。

P 值 > α:关联在统计意义上不显著

如果 p 值大于显著性水平,则无法得出响应变量与该项之间的关联在统计意义上显著的结论。可能希望重新拟合没有该项的模型。

如果多个预测变量与响应在统计意义上没有显著的关联,则可以通过删除项(一次删除一个)来简化模型

如果一个模型项在统计意义上显著,则解释取决于该项的类型。解释如下所示:

  • 如果一个连续预测变量显著,则可以得出该预测变量的系数不等于零的结论。
  • 如果一个类别预测变量显著,则可以断定并非所有水平均值都相等。
  • 如果一个交互作用项显著,则一个因子与响应之间的关系取决于该项中的其他因子。
  • 如果一个多项式项显著,则可以得出数据包含弯曲的结论。

主要结果:P 值、系数

甲醛浓度、催化剂比率和温度等预测变量的 P 值小于显著水平 .05。这些结果表示这些预测变量与抗皱性之间存在统计上非常显著的关系。例如,甲醛浓度系数估计浓度每增加一个单位抗皱性平均值增加 .1545 个单位,而模型中的其他项保持恒定。

时间的 P 值大于 .05,这表示没有足够的证据可以断定时间与响应变量相关。化学家可能需要重新拟合不具有此预测变量的模型。

步骤 3:确定模型对数据的拟合优度

要确定模型与数据的拟合优度,请检查模型汇总表中的拟合优度统计量。

S:使用 S 可评估模型描述响应值的程度。使用 S 替代 R2 统计量,以比较不具有常量的模型拟合。

S 以响应变量的单位进行度量,它表示数据值与拟合值的距离。S 值越低,模型描述响应的程度越高。但是,自身低 S 值并不表明模型符合模型假设。应检查残差图来验证假设。

R-sq:R2 值越高,模型拟合数据的优度越高。R2 始终介于 0% 和 100% 之间。

如果向模型添加其他预测变量,则 R2 会始终增加。例如,最佳的 5 预测变量模型的 R2 始终比最佳的 4 预测变量模型的高。因此,比较相同大小的模型时 R2 最有效。

R-sq(调整):在想要比较具有不同数量的预测变量的情况下,使用调整的 R2。如果向模型添加预测变量,即使模型没有实际改善,R2 也会始终增加。调整的 R2 值包含模型中的预测变量数,以便帮助选择正确的模型。

R-sq(预测):使用预测的 R2 可确定模型对新观测值的响应进行预测的程度。具有较大预测 R2 值的模型的预测能力也较出色。

实质上,小于 R2 的预测的 R2 可能表明模型过度拟合在向总体中添加不太重要的影响项的情况下,可能会发生过度拟合模型。模型针对样本数据而定制,因此可能对于总体预测不太有效。

在比较模型方面,预测的 R2 还可能比调整的 R2 更有效,因为它是用模型计算中未包含的观测值计算得出的。

AICc 和 BIC:当显示逐步方法每个步骤的详细信息时或者显示分析的扩展结果时,Minitab 会多显示两个统计量。这些统计量是更正的 Akaike 信息标准 (AICc) 和 Bayesian 信息标准 (BIC)。使用这些统计量可以比较不同的模型。对于每个统计量,较小的值比较合意。

解释拟合优度统计量时,请考虑以下几点:

  1. 样本数量较小则不能提供对于响应变量和预测变量之间关系强度的精确估计。如果需要 R2 更为精确,则应当使用较大的样本(通常为 40 或更多)。
  2. 拟合优度统计量只是模型拟合数据优度的一种度量。即使模型具有合意的值,也应当检查残差图,以验证模型是否符合模型假设。

 

主要结果:S、R-sq、R-Sq(调整)、R-Sq(预测)

在这些结果中,模型可以解释响应变量中约 73% 的变异。对于这些数据,R2 值表示模型与数据充分拟合。如果要拟合具有不同预测变量的其他模型,请使用调整的 R2 值和预测的 R2 值比较模型与数据的拟合。

步骤 4:确定模型是否符合分析的假设条件

使用残差图可帮助确定模型是否适用并符合分析的假设。如果不符合此假设,则模型可能无法充分拟合数据,在解释结果时应当格外小心。

残差与拟合值图

使用残差与拟合值图可验证残差随机分布和具有常量方差的假设。理想情况下,点应当在 0 的两端随机分布,点中无可辨识的模式

下表中的模式可能表示该模型不满足模型假设。

模式

模式的含义

残差相对拟合值呈扇形或不均匀分散

异方差

曲线

缺少高阶项

远离 0 的点

异常值

在 X 方向远离其他点的点

有影响的点

此残差与拟合值图中的点并未随机分布在零附近。但似乎存在表示不同数据组的点群集。应该研究这些组以确定其原因。

 

残差与顺序图

使用残差与顺序图可验证残差独立于其他残差的假设。当以时序显示时,独立残差不显示趋势或模式。点中的模式可能表明,彼此相近的残差可能相关联,因此并不独立。理想情况下,图中的残差应围绕中心线随机分布:

残差与顺序图

使用残差与顺序图可验证残差独立于其他残差的假设。当以时序显示时,独立残差不显示趋势或模式。点中的模式可能表明,彼此相近的残差可能相关联,因此并不独立。理想情况下,图中的残差应围绕中心线随机分布:

如果查看模式,便可查出原因。下列类型的模式可能表明残差属于依赖项。

趋势:

偏移:

周期:

残差的正态概率图

使用残差正态概率图可验证残差呈正态分布的假设。残差的正态概率图应该大致为一条直线

下表中的模式可能表示该模型不满足模型假设。

模式

模式的含义

非直线

非正态性

远离直线的点

异常值

斜率不断变化

未确定的变量

在此正态概率图中,点通常为一条直线。没有证据表明存在非正态性、异常值或未确定的变量。

Tips:为拟合回归模型存储统计量

统计 > 回归 > 回归 > 拟合回归模型 > 存储

可以将分析统计量保存到工作表中,以便可以将它们用在其他分析、图形和宏中。Minitab 将选定的统计量存储在最后一个数据列后面。存储列的名称以一个数字结尾,如果将同一个统计量存储多次,结尾的数字会递增。

可以存储的统计量

  1. 拟合:Minitab 将拟合值存储在 FITS 列中。
  2. 残差:Minitab 将残差存储在 RESI 列中。
  3. 标准化残差:Minitab 将标准化残差存储在 SRES 列中。
  4. 删后残差:Minitab 将删后残差存储在 TRES 列中。
  5. 杠杆率:Minitab 将杠杆率存储在 HI 列中。
  6. Cook 距离:Minitab 将 Cook 距离存储在 COOK 列中。
  7. DFITS:Minitab 将 DFITS 存储在 DFIT 列中。
  8. 系数:Minitab 将系数存储在 COEF 列中。
  9. 设计矩阵:Minitab 将设计矩阵存储在名为 XMAT 的矩阵中。要查看矩阵,请选择数据 > 显示数据。要将矩阵复制到工作表,请选择数据 > 复制 > 矩阵到列。
  10. Box-Cox 变换:如果要变换响应变量,可以存储有关变换的信息。
  11. 响应的 Box-Cox 变换:Minitab 将响应的变换值存储在 BCRESP 列中。
  12. 原始响应的拟合:Minitab 将原始响应的拟合值存储在 BFITS 列中。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/625940.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【YOLO系列】 YOLOv4之Focal Loss损失函数

论文下载:Focal Loss for Dense Object Detection 一、简介 Focal Loss损失函数何凯明大神在RetinaNet网络中提出来的,主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的比重,也可…

MySQL中判断字段的字符数

CHAR_LENGTH函数用于返回字符串的长度,长度单位为字符 不管汉字,数字或是字母都算是一个字符,包括中英文标点符号,空格也算是一个字符 语法结构: CHAR_LENGTH(str) 示例: 表:Tweets ----------------…

安装Anaconda遇到的问题

报错如下: Anaconda3 5.1.0(64-bit) Setup Error:Due to incompatibility with several Pyth on libraries, Destination Folder’cannot contain non-ascii characters(special characters or diacritics). Please choose another location. 原因:安装…

JavaScript三元运算

JavaScript 中的三元运算符是一种简洁的条件语句,其语法结构如下: 条件 ? 表达式1 : 表达式2;这里的“条件”是一个布尔表达式(即其结果为 true 或 false)。如果条件为 true,则执行并返回“表达式1”的结果&#xff…

【Vue3】3-1 : 章节介绍 - Vue3组件应用及单文件组件

本书目录:点击进入 一、本章学习目标 二、课程安排 一、本章学习目标 Vue3组件相关概念掌握组件之间的通信封装一个可复用的组件单文件组件SFC:即.vue文件 样式 结构 逻辑脚手架的使用和底层实现机制工程化的认知 二、课程安排 组件的概念及组件的基…

AIGC笔记--CVAE模型的搭建

目录 1--CVAE模型 2--代码实例 1--CVAE模型 简单介绍: 与VAE类似,只不过模型的输入需要考虑图片和条件(condition)的融合,融合结果通过一个 encoder 映射到标准分布(均值和方差),从…

基于ssm百货中心供应链管理系统+jsp论文

摘 要 社会发展日新月异,用计算机应用实现数据管理功能已经算是很完善的了,但是随着移动互联网的到来,处理信息不再受制于地理位置的限制,处理信息及时高效,备受人们的喜爱。本次开发一套百货中心供应链管理系统有管理…

transfomer中Decoder和Encoder的base_layer的源码实现

简介 Encoder和Decoder共同组成transfomer,分别对应图中左右浅绿色框内的部分. Encoder: 目的:将输入的特征图转换为一系列自注意力的输出。 工作原理:首先,通过卷积神经网络(CNN)提取输入图像的特征。然…

构建未来教育:在线培训系统开发的技术探讨

随着远程学习的崛起和数字化教育的普及,在线培训系统的开发成为了现代教育的核心。本文将深入讨论在线培训系统的关键技术要点,涵盖前后端开发、数据库管理、以及安全性和身份验证等关键方面。 前端开发:提供交互性与用户友好体验 在构建在…

02 SpringMVC接收数据之访问路径设置+四种接参方式+@EnableWebMvc

1.1 访问路径设置 RequestMapping注解的作用就是将请求的 URL 地址和处理请求的方式(handler方法)关联起来,建立映射关系。 SpringMVC 接收到指定的请求,就会来找到在映射关系中对应的方法来处理这个请求。 1.1.1 精准路径匹配…

京东ES支持ZSTD压缩算法上线了:高性能,低成本 | 京东云技术团队

1 前言 在《ElasticSearch降本增效常见的方法》一文中曾提到过zstd压缩算法[1],一步一个脚印我们终于在京东ES上线支持了zstd;我觉得促使目标完成主要以下几点原因: Elastic官方原因:zstd压缩算法没有在Elastic官方的开发计划中&…

【Leetcode Sheet】Weekly Practice 24

Leetcode Test 447 回旋镖的数量(1.8) 给定平面上 n 对 互不相同 的点 points ,其中 points[i] [xi, yi] 。回旋镖 是由点 (i, j, k) 表示的元组 ,其中 i 和 j 之间的距离和 i 和 k 之间的欧式距离相等(需要考虑元组的顺序)。 …

最新智能AI系统ChatGPT网站程序源码+详细图文搭建部署教程,Midjourney绘画,GPT语音对话+ChatFile文档对话总结+DALL-E3文生图

一、前言 SparkAi创作系统是基于ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统,支持OpenAI-GPT全模型国内AI全模型。本期针对源码系统整体测试下来非常完美,可以说SparkAi是目前国内一款的ChatGPT对接OpenAI软件系统。那么如何搭建部署AI创作Ch…

如何增加服务器的高并发

随着互联网的快速发展和普及,越来越多的应用程序需要支持高并发的请求处理。在这种情况下增加服务器的高并发能力成为了一个热门的话题。下面简单的介绍如果提高服务器的高并发能力。 负载均衡 是把请求分发到多个服务器上,来实现请求的平衡和分担。负…

使用JavaScript实现实时在线协作编辑器:从设计到实现

一、引言 随着Web技术的发展,实现在线协作编辑文档已经成为一种常见的需求。通过在线协作,多位用户可以同时编辑同一个文档,并实时看到其他用户的更改。这样的功能需要复杂的技术实现,包括数据同步、冲突解决和实时通信。本篇博客…

(一)环境部署

Python虚拟环境 安装virtualenv pip install virtualenv 创建环境 virtualenv -p D:\python\python.exe(python解释器目录) env-py3.6(虚拟环境目录,名称随意) 在当前目录下生成env-py3.6目录。 激活环境 ...\env-py3.6\Scripts> .\activate 关闭&#xf…

应用架构演变过程、rpc及Dubbo简介

一、应用架构演变历史: 单一应用架构 -> 垂直应用架构 -> 分布式服务架构 -> 微服务架构。 单一应用架构 当网站流量很小时,只需一个应用,将所有功能都部署在一起,以减少部署节点和成本。 此时,用于简化增删…

STM32 CubeIDE 使用 CMSIS-DAP烧录 (方法2--外部小工具)

前言: 本篇所用方法,需要借助一个外部的工具小软件。 优点:烧录更稳定; 缺点:不能在线仿真调试。 下面链接,是另一种方法:修改CubeIDE调试文件。能在CubeIDE直接烧录、仿真,但不稳定。…

Bazel

简介: Bazel 是 google 研发的一款开源构建和测试工具,也是一种简单、易读的构建工具。 Bazel 支持多种编程语言的项目,并针对多个平台构建输出。 高级构建语言:Bazel 使用一种抽象的、人类可读的语言在高语义级别上描述项目的构建属性。与其…

uniapp 简易自定义日历

1、组件代码 gy-calendar-self.vue <template><view class"calendar"><view class"selsct-date">请选择预约日期</view><!-- 日历头部&#xff0c;显示星期 --><view class"weekdays"><view v-for"…