Käsitteet Lineaarinen regressio sinun tarvitsee tietää ennen Learning Monitasoinen Models

On hyvin monet tutkijat tarvitse oppia monitasoinen ja sekoitetaan malleja, ja minun täytyy sanoa, se ei ole niin helppoa itse.

liian meni tutkijakoulu ennen kuin se oli opettanut luokissa - emme oppia sekamalleja kuin Split Tontti malleja, mutta asiat ovat edenneet hieman sen jälkeen. Joten Minäkin olen ollut oppia niitä ilman hyödyksi luokan, tai opettaja. Joten tunnen tuskasi. Mutta olen kamppaillut läpi ja oppinut paljon, vaikka minulla oli etu nähdä hyvin, hyvin monia esimerkkejä kuten olen työskennellyt asiakkaiden kanssa vuosien varrella, ja ottaa asiantunteva kollegoiden pohtia ja oppia. Joten jos luet Laulaja tekee sinusta tuntuu tyhmä, et ole yksin.

Olen myös ollut etunaan todella hyvä koulutus yleistä lineaarista mallia. Tämä ei tullut vain lukuisia luokkia tutkijakoulu, mutta jälleen kerran, näkemästä niin monia esimerkkejä konsultoi, ja ottaa selittää sitä niin monta kertaa. (Opetus on, kun oppii parhaiten).

Miksi tämä on tärkeää? Koska monitasoinen mallit ovat vain yleisiä lineaarisia malleja ylimääräisiä lähteitä vaihtelua. Se on paljon vaikeampaa oppia monitasoinen malleja, jos olet vielä epävarma joistakin käsitteiden lineaarinen regressio. Haluat keskittyä kuvauksen, mitä satunnainen rinnettä todella tarkoittaa, ei keskitetty ennustaja.

Joten tässä on 4 käsitteitä regressioanalyysin että te todella, todella pitäisi saada selvillä ennen kuin yrität lukea Singer artikkeli . Se ei tee sitä helppo
, mutta se tekee sen helpompaa
.

1. Mitä keskitys ei sinun muuttujia. Sieppaa ovat melko tärkeitä monitasoinen malleja, joten keskitys on usein tarpeen tehdä kuunteluja mielekästä.

2. Työskentely kategorinen ja jatkuva ennustajia. Haluat käyttää sekä nuken ja vaikutus koodaus eri tilanteissa. Samoin haluat pystyä ymmärtämään, mitä se tarkoittaa, jos teet muuttuja jatkuva tai kategorinen. Mitä eri tietoja saat ja mitä se tarkoittaa? Vaikka olet säännöllinen ANOVA käyttäjä, se voi olla järkevää kohdella aikaan jatkuva, ei kategorinen.

3. Vuorovaikutusta. Tiedän tiedät, että sinun on lähdettävä alempiin asteen termit kunkin vuorovaikutusta (oikea?). Varmista, että voit tulkita vuorovaikutusta, riippumatta siitä kuinka monta kategorinen ja jatkuva muuttujia ne sisältävät. Ja varmista, että ymmärrät

4. Polynomi ehdot. Satunnainen rinteissä voi olla tarpeeksi vaikeaa ymmärtää (ja pitää suoraan satunnainen kuunteluja). Random kaarevuus on huonompi. Tiedän sinun Polynomit.

Ja lopuksi, miten ne kaikki sopivat yhteen. Nämä 4 käsitteet todella tulevat alas ymmärtää, mitä arviot mallisi tarkoittaa. Miten tulkita niitä. Ja jotka tulevat suurelta osin käytännön kysymyksiä, ja relearning perusasiat yhteydessä tietosi.

etuna on, että ymmärrys nämä käsitteet behoove sinua oppimaan pitkälle mallinnus - epälineaariset mallit, logistinen regressio , Cox regressio, ja niin edelleen.
.