当前位置:主页 > 365365bet官网 > 正文
  • R在方差分析中
  • 日期:2019-04-06   点击:   作者:365bet体育投注网址   来源:365bet官网在线
在解释R-sq值时,请考虑以下因素:
当您向模型添加其他预测变量时,R-sq将始终增加。
例如,五个预测变量的最佳模型R-sq总是高于四个预测变量的最佳模型。
因此,在比较相同尺寸的模型时,R-sq更有效。
对于少量样本,无法准确估计响应变量和预测变量之间关系的强度。
如果您需要使R-sq更准确,则需要使用更大的样本(通常为40或更多)。
R-sq只是衡量模型拟合数据的一个指标。
即使模型的R平方很高,您也需要检查残差图以确保模型符合模型的假设。
R-sq(拟合)是模型解释的响应的百分比变化,并且相对于观察的数量调整模型中的预测变量的数量。
通过减去均方误差(MSE)与均方和(MSTotal)之比来计算调整后的R平方。
当您想要比较不同数量的预测变量时,使用调整后的R-sq。
在向模型添加预测变量时,即使模型实际上没有改进,R-sq也会一直增加。
调整后的R-sq值包含模型中预测变量的数量,以选择正确的模型。
例如,该公司正在研究影响每个包装的断屑率的因素。
添加预测变量时,会得到以下结果:
第一个模型将产生超过50%的R-sq。
第二种模型本身提高了冷却速度。
调整后的R?Sq增加,这表明冷却速率改善了模型。
提高加工温度的第三种模型提高了R?Sq,但没有提高调整后的R?Sq。
这些结果表明处理温度不会改善模型。
基于这些结果,我们可以考虑消除模型的处理温度。