Die Minitab-Statistiksoftware liefert Ergebnisse für das Modell mit dem besten Wert eines Optimalitätskriteriums. Das Kriterium ist je nach Auswahl entweder der geringste quadrierte Fehler oder die geringste absolute Abweichung. Mit Minitab können Sie andere Modelle aus der Sequenz erkunden, die zur Identifizierung des optimalen Modells geführt hat. In der Regel wählen Sie aus einem der beiden folgenden Gründe ein alternatives Modell aus:
- Das von der Analyse ausgewählte Modell ist Teil eines Musters, in dem sich das Kriterium verbessert. In der Regel möchten Sie Vorhersagen aus einem Modell mit möglichst hoher Vorhersagegenauigkeit treffen.
- Das von der Analyse ausgewählte Modell ist Teil eines Musters, bei dem das Kriterium relativ flach ist. Ein oder mehrere Modelle mit ähnlichen Modellzusammenfassungsstatistiken haben viel weniger Basisfunktionen als das optimale Modell. In der Regel gibt ein Modell mit weniger Basisfunktionen ein klareres Bild davon, wie sich jede Prädiktorvariable auf die Antwortwerte auswirkt. Wenn der Unterschied in der Vorhersagegenauigkeit für ein kleineres Modell vernachlässigbar ist, können Sie das kleinere Modell verwenden, um die Beziehungen zwischen der Antwortvariablen und den Prädiktorvariablen zu bewerten.
Das folgende Diagramm begleitet beispielsweise Ergebnisse über das Modell mit 20 Basisfunktionen. Andere Modelle in der Sequenz haben ähnliche R
2-Werte.
Das Modell mit 10 Basisfunktionen hat einen R
2-Wert, der fast so hoch ist wie das Modell mit 20 Basisfunktionen. In der Regel gibt ein Modell mit weniger Basisfunktionen ein klareres Bild davon, wie sich jede Prädiktorvariable auf die Antwortwerte auswirkt. Wenn die Verringerung der Vorhersagegenauigkeit durch ein viel kleineres Modell vernachlässigbar ist, können Sie das viel kleinere Modell verwenden, um die Beziehungen zwischen der Antwortvariablen und den Prädiktorvariablen zu bewerten.
Neben den Kriterienwerten für alternative Modelle können Sie auch die Komplexität von Modellen und die Nützlichkeit verschiedener Regionen vergleichen. Betrachten Sie die folgenden Beispiele für Gründe, warum ein Analyst ein bestimmtes Modell wählt, das im Vergleich zu anderen Modellen keine Leistungseinbußen hinnimmt:
- Der Analyst wählt ein kleineres Modell, das eine klarere Sicht auf die wichtigsten Variablen bietet.
- Bei der Analyse wird ein Modell ausgewählt, da die Basisfunktionen für Variablen bestimmt sind, die einfacher zu messen sind als die Variablen in einem anderen Modell.
- Der Analyst wählt ein Modell aus, weil eine bestimmte Region der Prädiktoren von Interesse ist.