Geben Sie die Methode für die schrittweise Regression, die Parameter und die anzuzeigenden Details an. Die an den Standardeinstellungen vorgenommenen Änderungen bleiben auch nach dem Beenden von Minitab in Kraft, bis Sie sie wieder ändern. Minitab verwendet die Einstellungen, die Sie hier vornehmen, jedes Mal, wenn Sie eine der folgenden Analysen verwenden:
Mischungsversuchspläne unterscheiden sich von den anderen Werkzeugen in zweierlei Hinsicht. Wenn Sie Vorwärts-Informationskriterium als Standardverfahren auswählen, bleibt das Standardverfahren für Mischungsversuchspläne Keine. Außerdem werden in den Ergebnissen für Mischungsversuchspläne immer dieselben Details angezeigt.
- Standardmethode
-
- Keine: Das Modell wird mit allen Termen angepasst, die Sie im Dialogfeld Terme angeben.
- Vorwärts-Informationskriterium: Beim Verfahren des vorwärts gerichteten Informationskriteriums wird dem Modell bei jedem Schritt der Term mit dem niedrigsten p-Wert hinzugefügt. Bei jedem Schritt können weitere Terme in das Modell aufgenommen werden, wenn die Einstellungen für die Analyse die Berücksichtigung nicht hierarchischer Terme zulassen, aber erfordern, dass alle Modelle hierarchisch sind. Minitab berechnet das Informationskriterium für jeden Schritt. In den meisten Fällen wird das Verfahren fortgesetzt, bis eine der folgenden Bedingungen eintritt:
- Das Verfahren kann in acht aufeinander folgenden Schritten kein neues Minimum für das Kriterium ermitteln.
- Das Verfahren passt das vollständige Modell an.
- Das Verfahren passt ein Modell an, das einen Freiheitsgrad für Fehler lässt.
Wenn Sie Einstellungen für das Verfahren festlegen, nach denen bei jedem Schritt ein hierarchisches Modell erforderlich ist und jeweils nur ein Term aufgenommen werden darf, wird das Verfahren fortgesetzt, bis es entweder das vollständige Modell oder ein Modell anpasst, das einen Freiheitsgrad für Fehler lässt. Minitab zeigt die Ergebnisse für die Analyse des Modells mit dem kleinsten Wert für das ausgewählte Informationskriterium (AICc oder BIC) an.
- Schrittweise: Es wird mit einem leeren Modell begonnen und dann bei jedem Schritt ein Term in das Modell aufgenommen oder aus dem Modell ausgeschlossen. Sie können angeben, welche Terme anfänglich in das Modell aufgenommen werden sollen.
- Vorwärtsauswahl: Es wird mit einem leeren Modell begonnen und dann bei jedem Schritt der potenzielle Term mit der größten Signifikanz in das Modell aufgenommen.
- Rückwärtselimination: Es wird mit allen potenziellen Termen im Modell begonnen und dann bei jedem Schritt der Term mit der geringsten Signifikanz ausgeschlossen.
- Vorwärtsinformationen
-
Geben Sie an, welches Informationskriterium bei der Vorwärtsauswahl verwendet werden soll.
Sowohl das AICc als auch das BIC werten die Likelihood des Modells aus und wenden dann einen Abzug für das Hinzufügen von Termen zum Modell an. Durch den Abzug wird die Tendenz zur Überanpassung des Modells an die Stichprobendaten reduziert. Durch diese Reduzierung kann ein Modell zustande kommen, das insgesamt eine bessere Leistung erbringt.
Als Faustregel gilt: Wenn die Anzahl der Parameter im Verhältnis zum Stichprobenumfang klein ist, ist der Abzug für das Hinzufügen der einzelnen Parameter für das BIC größer als für das AICc. In diesen Fällen ist das Modell, bei dem das BIC minimiert wird, tendenziell kleiner als das Modell, bei dem das AICc minimiert wird.
In einigen gängigen Fällen, z. B. bei Screening-Versuchsplänen, ist die Anzahl der Parameter im Verhältnis zum Stichprobenumfang in der Regel groß. In diesen Fällen ist das Modell, bei dem AICc minimiert wird, tendenziell kleiner als das Modell, bei dem BIC minimiert wird. Bei einem definitiven Screening-Versuchsplan mit 13 Durchläufen ist beispielsweise in der Gruppe der Modelle mit 6 oder mehr Parametern das Modell, bei dem AICc minimiert wird, tendenziell kleiner als das Modell, bei dem BIC minimiert wird.
Weitere Informationen zu AICc und BIC finden Sie in Burnham und Anderson.1
- Parameter für schrittweise Regression
-
- Alpha für Aufnahme: Geben Sie das Kriterium für die Aufnahme eines neuen Terms in das Modell an.
- Alpha für Ausschluss: Geben Sie das Kriterium für den Ausschluss eines Terms aus dem Modell an.
- Parameter für Vorwärtsauswahl
-
- Alpha für Aufnahme: Geben Sie das Kriterium für die Aufnahme eines neuen Terms in das Modell an.
- Parameter für Rückwärtselimination
-
- Alpha für Ausschluss: Geben Sie das Kriterium für den Ausschluss eines Terms aus dem Modell an.
- Tabelle mit Details zur Modellauswahl anzeigen
-
Geben Sie an, welche Informationen zum schrittweisen Verfahren in einer Tabelle angezeigt werden sollen.
- Details zur Methode: Es werden der Typ des schrittweisen Verfahrens und die Alpha-Werte für die Aufnahme und/oder den Ausschluss eines Terms in das bzw. aus dem Modell angezeigt.
- Details für jeden Schritt einbeziehen: Es werden die Koeffizienten, p-Werte, Mallows-Cp und Statistiken zur Zusammenfassung des Modells für jeden Schritt des Verfahrens angezeigt.
1 Burnham, K. P. und Anderson, D. R. (2004). Multimodel Inference: Understanding AIC and BIC in Model Selection.
Sociological Methods & Research, 33(2), S. 261-304. doi:10.1177/0049124104268644
