请为您的因子设计指定逐步回归分析的选项。
逐步会出于确定有用的项子集的目的,对模型删除和增加项。如果选择逐步过程,您在项子对话框中指定的项是最终模型的候选项。有关更多信息,请转到使用逐步回归和最佳子集回归。
逐步方法对于裂区设计不可用。
包含在最终模型中的项取决于模型的分层限制。有关更多信息,请查看下面的“分层”主题。
Specify which information criterion to use in forward selection.
AICc 和 BIC 评估模型的似然,然后将用来添加项的惩罚应用于模型。惩罚会降低趋势,以使模型过度拟合样本数据。趋势降低可能会生成性能通常更佳的模型。
一般准则是,当参数个数相对于样本数量较小时,BIC 对于添加每个参数所施加的惩罚比 AICc 大。在这些情况下,最小化 BIC 的模型往往比最小化 AICc 的模型小。
在一些常见情况(如筛选设计)下,参数个数相对于样本数量通常较大。在这些情况下,最小化 AICc 的模型往往比最小化 BIC 的模型小。例如,对于包含 13 个游程的明确筛选设计,在一组包含 6 个或多个参数的模型中,最小化 AICc 的模型往往比最小化 BIC 的模型小。
有关 AICc 和 BIC 的更多信息,请参见 Burnham 和 Anderson。1
您可以确定 Minitab 如何在逐步过程期间实施模型分层。如果在项子对话框中指定了非分层模型,则将禁用层次结构按钮。
在分层模型中,组成高阶项的所有低阶项也将在模型中显示。例如,包含交互作用项 A*B*C 的模型要作为分层结构,必须同时包括 A、B、C、A*B、A*C 和 B*C 项。
如果希望生成采用未编码(或自然)单位的方程,模型必须是分层的。但是需权衡考量这一实际情况:包含过多项的模型可能相对来说不太精确,会降低预测新观测值的能力。