Modele que significa

Je crois que l`approche suggérée par Bill est mieux que celle que j`utilise, mais avant de l`utiliser, je veux juste m`assurer que maintenant le modèle pour Y1 est également valide. Le nuage de nuages semble très désordonné, mais nous allons tracer la distribution de chaque variable séparément aussi le respect de chaque groupe. Nous pouvons conduire des hypothèses simples tests que les deux groupes différeraient dans chacune de ces variables. Que peut-on faire à propos de cette faible valeur de R-squared? C`est la question suivante que j`entends habituellement dans ce contexte. Souvent, la première pensée est d`ajouter plus de variables au modèle pour augmenter R-squared. Quelques suggestions pour vous. Compte tenu de la très faible valeur R-squared, je double vérifier les parcelles résiduelles pour être sûr qu`ils ont l`air bien. Si vous voyez un modèle non aléatoire dans les parcelles résiduelles, vous pourriez être en mesure d`améliorer votre modèle. Je n`ai aucun problème avec Y1, mais quand il s`agit de Y2, il semble que ni x1 * x2 ni x2 * x2 facteurs sont significatifs. Je ne pense pas que ce soit le chemin à parcourir. Certains domaines d`étude sont intrinsèquement plus imprévisibles que d`autres.

Quand une zone est intrinsèquement plus imprévisible, vous vous attendriez à des valeurs de R-squared inférieures comme une question bien sûr. Vous devez ajuster votre idée de ce qui constitue un R-carré plus élevé basé sur la zone de sujet. En outre, compte tenu de la nature limite de la valeur de p pour votre IV, combinée avec le test global non significatif et faible R-carré, vous devriez considérer ces résultats comme suggestifs ou préliminaires. La prochaine fois que votre ami obsédé de test d`hypothèse vous dit qu`il n`a pas besoin d`exécuter un modèle de prédiction parce que ses variables sont si significatives, assurez-vous de leur montrer que leurs variables significatives dans le modèle peuvent ne pas bien faire du tout dans la prédiction des résultats. L`équation montre que le coefficient de hauteur en mètres est de 106,5 kilogrammes. Le coefficient indique que pour chaque mètre supplémentaire en hauteur, vous pouvez vous attendre à ce que le poids augmente d`une moyenne de 106,5 kilogrammes. Les coefficients de régression représentent la variation moyenne de la variable de réponse pour une unité de changement dans la variable de prédiction tout en détenant d`autres prédicteurs dans la constante du modèle. Ce contrôle statistique que la régression fournit est important car il isole le rôle d`une variable de tous les autres dans le modèle. Ces tracés de lignes ajustées affichent deux modèles de régression qui ont des équations de régression presque identiques, mais le modèle supérieur a une valeur R-carré faible tandis que l`autre est élevé. J`ai gardé les échelles de graphe constante pour une comparaison plus facile. Voici les données pour ces exemples. Dans cette optique, je vais utiliser des tracés de lignes ajustées.

Toutefois, un tracé de ligne ajusté 2D ne peut afficher que les résultats d`une régression simple, qui a une variable de prédicteur et la réponse. Les concepts sont vrais pour la régression linéaire multiple, mais je ne peux pas tracer les dimensions supérieures qui sont requises. Vous pouvez voir que la pente ascendante des deux lignes de régression est d`environ 2, et ils suivent avec précision la tendance qui est présente dans les deux jeux de données. Si vous êtes principalement intéressé à comprendre les relations entre les variables, la bonne nouvelle est qu`un faible R-squared n`annule pas l`importance de toutes les variables significatives.

Bez kategorii