단계적 회귀 분석에 대한 기본 설정 지정

• 없음: 항에서 지정하는 모든 항을 사용하여 모형을 적합합니다.
• 단계적 회귀: 전진 정보 기준 절차에서는 각 단계에서 p-값이 가장 낮은 항을 모형에 추가합니다. 분석에 대한 설정에서 비계층적 항을 고려할 수 있지만 각 모형이 계층적이어야 하는 경우 1단계에서 모형에 추가 항을 입력할 수 있습니다. Minitab에서 각 단계에 대한 정보 기준을 계산합니다. 대부분의 경우 다음 조건 중 하나가 발생할 때까지 절차가 계속됩니다.
  • 절차에서 8개의 연속적 단계 동안 기준의 새로운 최소값을 찾지 못합니다.
  • 절차가 전체 모형을 적합합니다.
  • 절차가 오차에 대한 자유도 1을 남겨두는 모형을 적합합니다.
  각 단계에서 계층적 모형이 필요한 절차에 대한 설정을 지정하고 한 번에 하나의 항만 입력할 수 있도록 허용하는 경우, 전체 모형 또는 오차에 대한 자유도 1을 남겨두는 모형을 적합할 때까지 절차가 계속됩니다. Minitab에서 AICc 또는 BIC 등 선택된 정보 기준의 값이 가장 작은 모형에 대한 분석 결과를 표시합니다.
• 단계적 회귀: 빈 모형으로 시작한 다음 각 단계에서 항을 추가하거나 제거합니다. 모형에 포함할 항의 초기 집합을 지정할 수 있습니다.
• 전진 선택: 빈 모형으로 시작한 다음 각 단계에서 가장 유의한 잠재적 항을 모형에 추가합니다.
• 후진 제거: 모형에 모든 잠재적 항을 포함한 상태에서 시작한 다음 각 단계에서 가장 유의하지 않은 항을 제거합니다.

전진 선택에서 사용할 정보 기준을 선택합니다.

AICc와 BIC 모두 모형의 우도를 평가한 다음 모형에 항을 추가하는 데 대한 벌칙을 적용합니다. 벌칙은 모형을 표본 데이터에 과다 적합하는 경향을 줄입니다. 이에 따라 일반적으로 더 잘 수행되는 모형이 생성됩니다.

일반 지침에 따라, 모수 수가 표본 크기에 비해 작은 경우 AICc보다 BIC가 각 모수의 추가에 대한 벌칙이 더 큽니다. 이러한 경우 BIC를 최소화하는 모형이 AICc를 최소화하는 모형보다 더 작은 경향이 있습니다.

선별 설계와 같은 몇 가지 일반적인 경우, 모수의 수가 일반적으로 표본 크기에 비해 큽니다. 이러한 경우 AICc를 최소화하는 모형이 BIC를 최소화하는 모형보다 더 작은 경향이 있습니다. 예를 들어, 13-런 확정 선별 설계의 경우 모수가 6개 이상인 모형의 집합 중에서 AICc를 최소화하는 모형이 BIC를 최소화하는 모형보다 더 작은 경향이 있습니다.

AICc 및 BIC에 대한 자세한 내용은 Burnham and Anderson.¹

• 입력할 변수에 대한 알파: 모형에 새 항을 입력하기 위한 기준을 지정합니다.
• 제거할 변수에 대한 알파: 모형에서 항을 제거하기 위한 기준을 지정합니다.

• 입력할 변수에 대한 알파: 모형에 새 항을 입력하기 위한 기준을 지정합니다.

• 제거할 변수에 대한 알파: 모형에서 항을 제거하기 위한 기준을 지정합니다.