Tabelle der bedingten Anpassungen und Bewertung für Modell mit gemischten Effekten anpassen

Hier finden Sie Definitionen und Anleitungen zur Interpretation für alle Statistiken in der Tabelle der bedingten Anpassungen und Bewertung.

Bedingte Anpassungen

Die bedingten Anpassungen sind die Schätzwerte für die Mittelwerte der Antwortvariablen für die Einstellungen der festen Faktoren und die Einstellungen der Zufallsfaktoren im Datensatz. Die bedingten Anpassungen werden mit den angepassten Gleichungen der bedingten Werte berechnet.

SE Anpassung

Der Standardfehler der Anpassung (SE Anpassung) ist ein Schätzwert der Streuung im geschätzten Mittelwert der Antwortvariablen für die angegebenen Variableneinstellungen. Der Standardfehler der Anpassung wird bei der Berechnung des Konfidenzintervalls für den Mittelwert der Antwortvariablen verwendet. Standardfehler sind immer nicht negativ.

DF für den bedingten Mittelwert

Die Freiheitsgrade (DF) entsprechen der Menge an Informationen in den Daten, mit denen das Konfidenzintervall für den Mittelwert der Antwortvariablen geschätzt wird.

Interpretation

Verwenden Sie die Freiheitsgrade, um zu vergleichen, wie viele Informationen zu verschiedenen bedingten Mittelwerten verfügbar sind. In der Regel führen mehr Freiheitsgrade dazu, dass das Konfidenzintervall für den Mittelwert schmaler als ein Intervall mit weniger Freiheitsgraden ist. Da die Standardfehler der Mittelwerte für verschiedene Beobachtungen unterschiedlich sind, muss das Konfidenzintervall für einen Mittelwert mit mehr Freiheitsgraden nicht zwangsläufig schmaler als ein Konfidenzintervall für einen Mittelwert mit weniger Freiheitsgraden sein.

Konfidenzintervall für den bedingten Mittelwert (95%-KI)

Diese Konfidenzintervalle (KI) sind Bereiche von Werten, die wahrscheinlich die entsprechenden bedingten Mittelwerte der Antwortvariablen enthalten.

Da die Stichproben zufällig sind, ist es unwahrscheinlich, dass zwei Stichproben aus einer Grundgesamtheit identische Konfidenzintervalle ergeben. Wenn Sie die Stichprobennahme jedoch viele Male wiederholen, enthält ein gewisser Prozentsatz der resultierenden Konfidenzintervalle den unbekannten Parameter der Grundgesamtheit. Der Prozentsatz dieser Konfidenzintervalle, die den Parameter enthalten, stellt das Konfidenzniveau des Intervalls dar.

Das Konfidenzintervall setzt sich aus den folgenden zwei Teilen zusammen:
Punktschätzung
Die Punktschätzung ist der Schätzwert des Parameters, der auf der Grundlage der Stichprobendaten berechnet wird. Das Konfidenzintervall wird um diesen Wert zentriert.
Fehlerspanne
Die Fehlerspanne definiert die Breite des Konfidenzintervalls, und sie wird durch die beobachtete Streuung in der Stichprobe, den Stichprobenumfang und das Konfidenzniveau bestimmt. Zum Berechnen der Obergrenze des Konfidenzintervalls wird die Fehlerspanne zur Punktschätzung addiert. Zum Berechnen der Untergrenze des Konfidenzintervalls wird die Fehlerspanne von der Punktschätzung subtrahiert.

Interpretation

Bewerten Sie anhand der Konfidenzintervalle, ob die bedingten Mittelwerte der Antwortvariablen statistisch größer, gleich oder kleiner als ein bestimmter Wert sind. Mithilfe der Konfidenzintervalle können Sie auch einen Bereich von Werten für die entsprechenden unbekannten bedingten Mittelwerte der Antwortvariablen ermitteln.

Bedingtes Resid

Ein Residuum (ei) ist die Differenz zwischen einem beobachteten Wert (y) und dem entsprechenden bedingten angepassten Wert, ().

Interpretation

Stellen Sie die Residuen grafisch dar, um zu ermitteln, ob das Modell angemessen ist und die Annahmen des Modells mit gemischten Effekten erfüllt. Eine Untersuchung der Residuen kann nützliche Informationen darüber liefern, wie gut das Modell an die Daten angepasst ist. Im Allgemeinen sollten die Residuen zufällig verteilt sein und weder offensichtliche Muster noch ungewöhnliche Werte aufweisen. Wenn Minitab feststellt, dass die Daten ungewöhnliche Beobachtungen enthalten, werden diese Beobachtungen in der Tabelle „Bedingte Anpassungen und Bewertung für ungewöhnliche Beobachtungen“ in der Ausgabe identifiziert. Die von Minitab als ungewöhnlich gekennzeichneten Beobachtungen werden durch die vorgeschlagene bedingte Gleichung nicht gut modelliert. Es ist jedoch zu erwarten, dass einige ungewöhnliche Beobachtungen vorliegen. Entsprechend den Kriterien für große Residuen ist beispielsweise zu erwarten, dass ca. 5 % der Beobachtungen als Beobachtungen mit einem großen Residuum gekennzeichnet werden.

Std. Resid

Das standardisierte bedingte Residuum entspricht dem Wert eines Residuums (ei), dividiert durch einen Schätzwert von dessen Standardabweichung.

Interpretation

Verwenden Sie die standardisierten bedingten Residuen, um Ausreißer zu erkennen. Standardisierte bedingte Residuen größer als 2 bzw. kleiner als −2 werden im Allgemeinen als groß erachtet. In der Tabelle „Bedingte Anpassungen und Bewertung für ungewöhnliche Beobachtungen“ werden die betreffenden Beobachtungen mit einem „R“ gekennzeichnet. Die von Minitab gekennzeichneten Beobachtungen werden durch die vorgeschlagene bedingte angepasste Gleichung in der Regel nicht gut modelliert. Es ist jedoch zu erwarten, dass einige ungewöhnliche Beobachtungen vorliegen. Entsprechend den Kriterien für große standardisierte bedingte Residuen ist beispielsweise zu erwarten, dass ca. 5 % der Beobachtungen als Beobachtungen mit einem großen standardisierten Residuum gekennzeichnet werden.

Standardisierte Residuen sind hilfreich, da bedingte Rohresiduen u. U. keine geeigneten Anzeichen für Ausreißer darstellen. Die Varianz jedes bedingten Rohresiduums kann um die mit ihm verbundenen x-Werte abweichen. Diese ungleiche Streuung erschwert es, die Größen der bedingten Rohresiduen zu beurteilen. Durch das Standardisieren der bedingten Residuen wird dieses Problem behoben, indem die unterschiedlichen Varianzen in eine gemeinsame Skala konvertiert werden.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien