Das schrittweise Verfahren ist nicht für Modelle verfügbar, die Zufallsfaktoren enthalten.
Fügt dem Modell schrittweise Terme hinzu bzw. entfernt schrittweise Terme aus dem Modell, um eine nützliche Teilmenge von Termen zu ermitteln. Bei Auswahl eines schrittweisen Verfahrens sind die im Dialogfeld Modell angegebenen Terme potenzielle Terme für das endgültige Modell. Weitere Informationen finden Sie unter Verwendung der Regression der besten Teilmengen und der schrittweisen Regression.
Es kann von Einschränkungen im Hinblick auf die Hierarchie für die Modelle abhängen, welche Terme in das endgültige Modell eingebunden werden. Weitere Informationen finden Sie unten im Thema „Hierarchie“.
Geben Sie an, welches Informationskriterium bei der Vorwärtsauswahl verwendet werden soll.
Sowohl AICc als auch 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 BIC größer als für AICc. In diesen Fällen ist das Modell, bei dem BIC minimiert wird, tendenziell kleiner als das Modell, bei dem 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 zum AICc und BIC finden Sie in Burnham und Anderson.1
Sie können bestimmen, wie Minitab die Modellhierarchie während einer schrittweisen Regression erzwingt. Die Schaltfläche Hierarchie ist deaktiviert, wenn Sie im Dialogfeld Modell ein nicht hierarchisches Modell angeben.
In einem hierarchischen Modell sind alle Terme niedriger Ordnung, aus denen sich die Terme höherer Ordnung zusammensetzen, ebenfalls im Modell enthalten. Ein Modell, das den Wechselwirkungsterm A*B*C enthält, ist beispielsweise hierarchisch, wenn es die folgenden Terme umfasst: A, B, C, A*B, A*C und B*C.
Es ist möglich, dass ein allgemeines lineares Modell nicht hierarchisch ist, sofern es keinen Zufallsfaktor enthält. Im Allgemeinen können Sie Terme niedriger Ordnung entfernen, wenn sie nicht signifikant sind, es sei denn, Sie entscheiden aufgrund Ihrer Sachkenntnis, sie beizubehalten. Modelle mit zu vielen Termen können relativ unpräzise sein und die Fähigkeit mindern, die Werte neuer Beobachtungen zu prognostizieren.