R在方差分析中

发布时间:2019-05-23 02:58:45   编辑:admin浏览人次:998

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,R-sq是五个预测变量的最佳模型,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,请使用更大的样本(通常为40或更多)。
R-sq只是衡量模型拟合程度的标准。
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。
如果要比较不同数量的预测变量,则使用调整后的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,该公司研究了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:
第一个型号产生50%或更多的R-sq。
第二个模型增加了自己的冷却速度。
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。