Arvioitaessa Fit regressio Models

hyvin istuva regressiomallia tuloksia ennustetut arvot lähellä havaittu data-arvot. Keskimääräinen malli, joka käyttää keskiarvon jokaisen ennustetun arvon, yleensä käytettäisiin jos ei olisi informatiivinen ennustaja muuttujia. Istuvuus ehdotetusta regressiomallin olisi oltava parempi kuin sovitus keskiarvon malli.

kolme tilastoja käytetään pienimmän neliösumman (OLS) regressio arvioida mallin sovitus: R-potenssiin, yleinen F- testi, ja tehollisarvo virhe (RMSE). Kaikki kolme perustuvat kahteen neliösummat: summa neliöt Yhteensä (SST) ja summa neliöt Error (SSE). SST mittaa kuinka pitkälle tiedot ovat keskiarvo ja SSE mittaa, kuinka paljon tietoa mallista n ennustetut arvot. Eri yhdistelmiä näistä kahdesta arvosta tarjoavat erilaisia ​​tietoja miten regressiomallin vertaa keskimääräistä mallin.

R-potenssiin ja Oikaistu R-squared

Ero SST ja SSE on parannus ennakoinnin regressiomallin, keskimääräiseen verrattuna malliin. Jakaen mainitun erotus SST antaa R-potenssiin. Se on suhteellinen parannus ennakoinnin regressiomallin, keskimääräiseen verrattuna malliin. Se osoittaa hyvyyttä mallin.

R-potenssiin on hyödyllinen ominaisuus, että sen laajuus on intuitiivinen: se vaihtelee nollasta yhteen, nolla osoittaa, että ehdotettu malli ei arvioida paremmin yli keskiarvon malli ja yksi osoittaa täydellinen ennustus. Parantaminen regressiomalli tuloksia suhteessa nousu R-potenssiin.

Yksi sudenkuoppa R-squared on, että se voi vain lisätä ennustajina lisätään regressiomallin. Tämä lisäys on keinotekoinen kun ennustavina ei oikeastaan ​​parantaa mallin istuvuutta. Tilanteen korjaamiseksi liittyvä tilastotieto, Oikaistu R-potenssiin, sisältää mallin vapausasteet. Oikaistu R-potenssiin vähenevät ennustavina lisätä, jos lisäys malli sovi ei tehdä varten menetys vapausasteet. Samoin se kasvaa ennustavina lisätä, jos lisäys malli sovi kannattaa. Oikaistu R-potenssiin tulisi aina käyttää malleja, joissa on enemmän kuin yksi ennustajan muuttuja. Se tulkitaan osuus koko varianssi joka selittyy mallin.

On tilanteita, joissa on suuri R-squared ei ole tarpeen tai merkityksellistä. Kun kiinnostus on suhde muuttujien, ei ennustus, R-aukio on vähemmän tärkeää. Esimerkki on tutkimus siitä, miten uskonnollisuuden vaikuttaa terveydentilaan. Hyvä tulos on luotettava suhde uskonnollisuus ja terveyden. Ei voi odottaa, että uskonto selittää suuri osa vaihtelun terveyttä, koska terveyteen vaikuttavat monet muut tekijät. Vaikka malli osuus muiden muuttujien tiedetään vaikuttavan terveyteen, kuten tulot ja ikä, R-potenssiin välillä 0,10-0,15 on kohtuullinen.

F-testi

F-testi arvioi hypoteesi, että kaikki regressiokertoimia ovat nolla verrattuna toissijaisesti, että ainakin yksi ei. Vastaava nollahypoteesi on, että R-potenssiin nolla. Merkittävä F-testi osoittaa, että havaitut R-squared on luotettava, ja ei ole vääriä seurausta omituisuuksia tietokokonaisuutta. Niinpä F-testi määrittää, onko ehdotettu suhde vastemuuttuja ja joukko ennustajia on tilastollisesti luotettava, ja voi olla hyötyä, kun tutkimuksen tavoitteena on joko ennuste tai selityksiä.

RMSE

RMSE on neliöjuuri varianssin jäännöksiä. Se osoittaa absoluuttinen sovi mallin tiedot - miten lähellä havaitut tiedot pisteessä mallin ennustetut arvot. Kun taas R-squared on suhteellinen mitta sovi, RMSE on absoluuttisen kunnossa. Koska neliöjuuri varianssi, RMSE voidaan tulkita keskihajonta selittämätön varianssi, ja on hyödyllinen ominaisuus, että samoissa yksiköissä kuin vastemuuttuja. Pienempiä arvoja RMSE osoittavat paremmin sopivaksi. RMSE on hyvä mittari miten tarkasti malli ennustaa vastaus, ja on tärkein kriteeri kunnossa jos päätarkoituksena malli on ennuste.

paras mittari malli sovi riippuu tutkijan tavoitteet, ja enemmän kuin yksi, ovat usein käyttökelpoisia. Tilastojen edellä sovelletaan regressiomallit jotka käyttävät OLS arvio. Monet lajit regressiomallien kuitenkin, kuten sekamallit, yleistetty lineaarinen malleja, ja tapahtuma historia malleja, käyttää suurimman uskottavuuden estimointi. Nämä tilastot eivät ole käytettävissä tällaisia ​​malleja. Tulevaisuudessa uutiskirje kuvataan miten arvioida malleja arvioitiin käyttämällä suurimman uskottavuuden.

Copyright © 2008, Karen Grace-Martin
.