Auswählen der Analyseoptionen für MARS^®-Regression

Wählen Sie die Analyseoptionen aus.

Kriterium für Auswahl des optimalen Modells

Wählen Sie zwischen den folgenden Kriterien, um die optimale Anzahl von Basisfunktionen für das Modell auszuwählen. Diese Auswahl hat keinen Einfluss auf die Suche nach den Basisfunktionen. Wenn die 2 Kriterien die gleiche Anzahl von Basisfunktionen auswählen, sind die Modelle aus den 2 Kriterien gleich.

• R-Quadrat: Wählen Sie diese Option, um Ergebnisse für das Modell mit dem maximalen R-Quadrat-Wert anzuzeigen.
• Mittlere absolute Abweichung: Wählen Sie diese Option, um Ergebnisse für das Modell mit der geringsten mittleren absoluten Abweichung anzuzeigen.

Maximale Anzahl von Basisfunktionen

In den meisten Fällen funktioniert der Standardwert 30 gut. Ziehen Sie einen größeren Wert in Betracht, wenn 30 Basisfunktionen für die Daten zu klein erscheinen. Betrachten Sie beispielsweise einen größeren Wert, wenn Sie der Meinung sind, dass mehr als 30 Prädiktoren wichtig sind.

Wenn Sie sich nicht sicher sind, ob 30 ausreichen, überprüfen Sie die ersten Ergebnisse. Beispielsweise ist es wahrscheinlicher, dass ein größerer Wert die Anpassung des Modells verbessert, wenn der R-Quadrat-Wert nach oben tendiert, wenn die Analyse Basisfunktionen hinzufügt.

Minimale Anzahl von Beobachtungen zwischen Knoten

MARS® die Wahl erlauben

Die Analyse verwendet Stichprobenumfang und Modellkomplexität, um automatisch einen Wert auszuwählen. Der automatische Wert funktioniert in den meisten Fällen gut.

Benutzerdefiniertes λ

Der Wert 1 gibt an, dass aufeinanderfolgende Datenpunkte Punkte sein können, bei denen sich die Basisfunktion ändert. Der Wert 1 ermöglicht die schnellsten Änderungen in den Modellvorhersagen. Berücksichtigen Sie verschiedene Werte, um die Auswirkungen auf die Anpassung des Modells zu sehen. Beispielsweise erzeugen größere Werte für einige Daten glattere Modelle, bei denen die Wahrscheinlichkeit einer Überanpassung der Trainingsdaten geringer ist. Solche glatteren Modelle sind manchmal über bestimmte Datenbereiche hinweg weniger genau.

Transformationen für die folgenden Prädiktoren deaktivieren

Geben Sie einen kontinuierlichen Prädiktor ein, sodass der Prädiktor nur einen linearen Effekt auf die Antwortvariable haben kann. Eine andere Möglichkeit, diesen Effekt zu beschreiben, ist, dass jeder Prädiktor nur 1 Basisfunktion mit einem Knoten am Minimalwert des Prädiktors hat. Angenommen, ein Prädiktor in einem additiven Modell verfügt über mehrere Basisfunktionen zur Modellierung der Krümmung. Das partielle Abhängigkeitsdiagramm, das sich für einen Prädiktor mit 3 Basisfunktionen ergibt, hat die folgende Form:

Ohne eine Transformation für den Prädiktor hat der Prädiktor nur 1 Basisfunktion. Das partielle Abhängigkeitsdiagramm, das sich aus 1 Basisfunktion ergibt, ist eine gerade Gerade:

Gewichtungen

Geben Sie eine Spalte ein, die die Fallgewichtungen enthält. Die Spalte muss dieselbe Anzahl von Zeilen wie die Spalte der Antwortvariablen aufweisen. Die Werte müssen ≥ 0 sein. Minitab lässt Zeilen aus der Analyse aus, die fehlende Werte oder Nullwerte enthalten.