단계적 방법은 항을 제거하고 항의 유용한 부분 집합을 식별하기 위해 모형에 항을 추가합니다. 단계적 절차를 선택하는 경우 모형 대화 상자에서 지정한 항은 최종 모형의 후보입니다. 자세히 알려면 최량 부분 집합 회귀 분석 및 단계적 회귀 분석 사용(으)로 이동하십시오.
교차 검증을 사용하면 절차가 각 폴드에서 전진 선택을 반복합니다. 이 절차는 각 단계에서 모든 폴드를 평가하고 최상의 k-폴드 단계적 결정계수 값으로 단계를 식별합니다. 절차의 마지막 부분은 전체 데이터 세트에서 전진 선택을 수행하고 폴드의 선택에서 최상의 단계에서 중지하는 것입니다.
두 가지 유형의 검증에 대해 절차는 전진 정보 기준 절차와 동일한 조건에서 중지됩니다.
최종 모형에 포함된 항은 모형에 대한 계층 구조 제한에 따라 달라질 수 있습니다. 자세한 내용은 아래 계층 구조의 항목을 참조하십시오.
전진 선택에서 사용할 정보 기준을 선택합니다.
AICc와 BIC 모두 모형의 우도를 평가한 다음 모형에 항을 추가하는 데 대한 벌칙을 적용합니다. 벌칙은 모형을 표본데이터에 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
검증 설정도 확인 하위 대화 상자에 있습니다. 설정을 변경하면 Minitab이 두 위치에서 자동으로 설정을 업데이트합니다.
검증을 사용한 전진 선택을 선택하면 모형을 검정할 검증 방법을 선택합니다. 일반적으로 표본이 작은 경우 K-폴드 교차 검증 방법이 적합합니다. 더 큰 표본을 사용하면 데이터를 학습 데이터 세트와 검정 데이터 세트로 나눌 수 있습니다.
다음 단계에 따라 K-폴드 교차 검증을 사용합니다.
다음 단계를 완료하여 데이터를 학습 데이터 세트와 검정 데이터 세트로 나눕니다.
Minitab에서 단계적 분석 절차 중에 모형 계층구조를 적용하도록 할 방법을 결정할 수 있습니다. 모형 대화 상자에서 비계층적 모형을 지정하면 계층 구조 버튼을 사용할 수 없게 됩니다.
계층적 모형에서는 높은 차수의 항을 구성하는 모든 낮은 차수의 항이 모형에 표시됩니다. 예를 들어 교호작용 항 A*B*C가 포함된 모형은 A, B, C, A*B, A*C, B*C 항이 포함된 경우 계층적입니다.
모형은 비계층적일 수 있습니다. 차수가 낮은 항이 유의하지 않을 경우 주제 분야에서 포함할 것을 제안하지 않으면 일반적으로 해당 항을 제거할 수 있습니다. 너무 많은 항이 포함된 모형은 상대적으로 정확하지 않을 수 있으며, 새로운 관측값을 예측하는 능력을 저하시킬 수 있습니다.
검증을 사용한 전진 선택을 선택하면 전진 선택의 각 단계에 대해 학습 및 검증 R2 값의 플롯을 표시합니다. 일반적으로 그림을 사용하여 간단한 모형에 유사한 검증 값이 있는지 여부를 결정합니다.