怎樣使用mintab進行回歸分析(編輯修改稿)
2025-07-20 18:10 本頁面
【文章內容簡介】 替代，獲得附加的信息請參考[3], [21].。 檢驗殘差的自相關 在線性回歸分析中，我們總是假設殘差都是彼此相互獨立的(即它們之間不存大自相關)。 如果相互獨立的假設被破壞，一些關系模型的擬合結果就會被懷疑。例如：誤差的正相關可以放在系數(shù)的t值。選定一個模型后檢驗關系模型的假設是回歸分析的一個很重要的部分。Minitab提供了兩種方法也檢驗這個假設： (1 2 3 4 …….n)圖可以提供很直觀的方法來檢驗殘差的自關性。 。該測試是以誤差由第一順序自回歸過程的假設為基礎的。如果列中有丟失的觀測值，同樣在計算時這些數(shù)據(jù)就會忽略了，僅僅使用沒有丟失的數(shù)據(jù)。 為了從檢驗中得出結論，您需要用表中的上下限比較顯示的統(tǒng)計量，如果D上限，沒有相關；如果D下限，表示存在正相關；如果D在上下限之間，不能確定其相關性。如果想得到其它信息，請參考[4], [22]. 檢驗lackoffit MINITAB提供了兩種lackoffit 檢驗，這樣您可確定建立的回歸模型是否能夠完全適合您的數(shù)據(jù)。純誤差lackoffit 檢驗需要副本(replicates)。 the data subsetting lackoffit test does not require replicates. 純誤差lackoffit檢驗如果您的預測因子中包含重復的數(shù)據(jù)(一個因子幾個同樣的X值或多預測因子中有幾個同樣的X值組合)，MINITAB可以為lackoffit計算一個純誤差檢驗。誤差項將被分成純誤差(error within replicates)和lackoffit誤差。F檢驗可以檢驗您是否選擇了適合的回歸關系方程。如果需要其它信息，請參考[9], [22], [29]. 數(shù)據(jù)子集lackoffit檢驗 MINITAB同樣也可以進行l(wèi)ackoffit檢驗數(shù)據(jù)，其數(shù)據(jù)不需要副本但是要包含數(shù)據(jù)子集。該檢驗是非標準化的，但是它可提供關于每個變量的lackoffit的信息。參考[6] 和“幫助”得到更多的信息。MINITAB可進行2K+1的假設檢驗，其中K是預測因子數(shù)量。For each predictor, a curvature test and an interaction test are performed by paring the fit above and below the predictor mean using indicator variables(對于每個預測因子，可以用曲率檢驗和交互檢驗檢驗通過使用指示變量業(yè)比較擬合度是高于并低于預測因子平均值) 也可以用另一個試驗通過將關系模與數(shù)據(jù)“中心”部分擬合，然后比較中心數(shù)據(jù)誤差平方和所有數(shù)據(jù)誤差平方和。 新觀測值的預測 如果您知道新預測因子值(X)，并且您想知道通過使用回歸方程計算出的響應值，那么您可以選項子對話框中新觀測值的預測區(qū)間。輸入常數(shù)或包含新X值的列，每個預測因子數(shù)據(jù)應是一列(one for each predictor)。每列的長度必須是相等。如果輸入了常數(shù)和一列，MINITAB會認為您想要得到常數(shù)和每列數(shù)據(jù)組合的所有預測值。您可以將默認的置信水平95%改成其它值，您也可以儲存顯示的值：擬合度、擬合度標準誤差、置信界限及預測界限。如果您使用帶權重的預測，可以參考幫助中的獲得正確的結果。 識別outliers 除了圖形之外，為識別outliers或對回歸有顯著影響的異常觀測值，您可以儲存三種另外的方法。這三種方法是：Leverages、Cook’s distance,及DFITS Leverages是“hat”矩陣的對角，H = X (X162。X)1 X162。,其中X是設計矩陣，其中hi僅與預測因子有關，它與響應Y有關。許多人都認為hi值應足夠的大，最好是大于2p/n或3p/n，這中P值是預測因子數(shù)(包括一個常數(shù))。MINITAB將這些值在高leverage異常觀測值表中顯示。這些影響超過3p/，無論哪一個是最小的都標上X，leverage大于5p/n都標上XX。 Cook’s distance bines leverages and Studentized residuals into one overall measure of how unusual the predictor values and response are for each observation. Large values signify unusual observations. Geometrically, Cook’s distance is a measure of the distance between coefficients calculated with and without the ith observation. Cook [7] and Weisberg [29] suggest checking observations with Cook’s distance F (.50, p, np), where F is a value from an Fdistribution. n DFITS, like Cook’s distance, bines the leverage and the Studentized residual into one overall measure of how unusual an observation is. DFITS (also called DFFITS) is the difference between the fitted values calculated with and without the ith o
畢業(yè)設計相關推薦
鄂ICP備17016276號-1