비선형 회귀 분석에 대한 데이터 고려사항

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.

범주형 예측 변수가 있으면 이 분석을 수행하기 전에 범주형 예측 변수를 지시 변수로 변환하십시오. 범주형 예측 변수를 변환하려면 지시 변수 만들기을 사용하십시오.

반응 변수가 계량형이어야 합니다

반응 변수가 범주형이면 모형이 분석의 가정을 충족하거나 데이터를 정확히 설명하거나 유용한 예측을 할 가능성이 적습니다.

데이터에 비선형 함수가 요구되지 않는 경우, 다음과 같은 분석을 대신 고려할 수 있습니다.

• 반응 변수에 두 개의 범주가 있으면(예: 통과 및 실패) 이항 로지스틱 모형 적합을 사용하십시오.
• 반응 변수에 자연스러운 순서를 갖는 세 개 이상의 범주가 있으면(예: 적극 반대, 반대, 중립, 찬성, 적극 찬성) 순서형 로지스틱 회귀 분석을 사용하십시오.
• 반응 변수에 자연스러운 순서를 갖지 않는 세 개 이상의 범주가 있으면(예: 긁힘, 패임, 찢어짐) 명목형 로지스틱 회귀 분석을 사용하십시오.
• 반응 변수가 발생 횟수를 카운트하면(예: 결점 수) 포아송 모형 적합을 사용하십시오.

기대 함수는 반응 변수와 예측 변수 간의 관계를 정확하게 설명해야 합니다.

반응 곡선의 형상이나 시스템의 물리적 및 화학적 속성의 움직임에 대한 사전 지식을 바탕으로 기대 함수를 선택할 수 있습니다. 잠재적인 비선형 형상으로는 오목, 볼록, 지수 성장 또는 감소, S자형 및 점근 곡선이 있습니다. 사전 지식 및 잔차 그림의 요구 사항을 모두 충족하는 함수를 지정해야 합니다.

허용 가능한 시작 값을 지정해야 합니다

반복 알고리즘에서 모수 추정치를 체계적으로 조정하여 오차의 제곱합(SSE)을 줄임으로써 모수를 추정합니다. 일부 기대 함수와 데이터 집합의 경우 시작 값이 결과에 유의한 영향을 미칠 수 있습니다.

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.

모형이 데이터를 잘 적합해야 합니다

모형이 데이터를 적합시키지 않으면 잘못된 결과를 얻을 수 있습니다. 결과에서 잔차 그림 및 모형 요약 통계량을 사용하여 모형이 데이터를 얼마나 잘 적합시키는지 확인하십시오.