포아송 모형 적합에 대한 데이터 고려 사항

유효한 결과를 얻으려면 데이터를 수집하고 분석을 수행하거나 결과를 해석할 때 다음 지침을 따르십시오.

예측 변수는 계량형 또는 범주형일 수 있습니다.

계량형 변수는 측정 및 정렬이 가능하며 임의의 두 변수 사이에 무한한 수의 값을 가질 수 있습니다. 예를 들어, 타이어 표본의 지름은 계량형 변수입니다.

범주형 변수에는 유한하고 셀 수 있는 수의 범주 또는 고유 그룹이 포함됩니다. 범주형 데이터에는 논리적 순서가 없을 수도 있습니다. 예를 들어, 범주형 예측 변수에는 성별, 재료 유형, 결제 방법이 포함됩니다.

이산형 변수가 있는 경우 이 변수를 계량형 예측 변수로 간주할 것인지, 범주형 예측 변수로 간주할 것인지 결정할 수 있습니다. 이산형 변수는 측정 및 정렬이 가능하지만 셀 수 있는 수의 값을 가질 수 있습니다. 예를 들어, 한 가구에 거주하는 사람의 수는 이산형 변수입니다. 이산형 변수를 계량형으로 간주할 것인지, 범주형으로 간주할 것인 지는 수준 개수 및 분석 목적에 따라 결정됩니다. 자세한 내용은 범주형, 이산형 및 계량형 변수의 정의에서 확인하십시오.

내포되거나 변량인 범주형 예측 변수가 있으면 모두 고정 요인인 경우 일반 선형 모형 적합, 변량 요인이 있는 경우 혼합 효과 모형 적합을 사용하십시오. 일반 선형 모형 적합의 경우 반응은 계량형입니다.

반응 변수는 유한 관측 공간에서 사건이 발생하는 횟수를 설명해야 합니다.
포아송 반응은 사건(예: 항목에서 탐지된 결점 수)을 셉니다.
최적의 경험을 사용한 데이터 수집
유효한 결과를 얻으려면 다음 지침을 따르십시오.
  • 데이터가 관심 있는 모집단을 나타내는지 확인합니다.
  • 필요한 정밀도를 제공하기에 충분한 데이터를 수집합니다.
  • 최대한 정확하게 변수를 측정합니다.
  • 데이터를 수집된 순서대로 기록합니다.
예측 변수 간의 상관(다중 공선성이라고도 함)이 심각하지 않아야 합니다.

다중 공선성이 심각하면 모형에 포함할 예측 변수를 결정하지 못할 수도 있습니다. 다중 공선성의 심각성을 확인하려면 결과의 계수 표에 있는 분산 팽창 인수(VIF)를 사용하십시오.

모형이 데이터를 잘 적합해야 함

모형이 데이터를 적합시키지 않으면 잘못된 결과를 얻을 수 있습니다. 결과에서 잔차 그림, 비정상적인 관측치에 대한 진단 통계량 및 모형 요약 통계량을 사용하여 모형이 데이터를 얼마나 잘 적합시키는지 확인하십시오.

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오