ДалееСледующее руководство
Линейный дискриминантный анализ
Технический
Техническое РУКОВОДСТВО
Линейная регрессия описывает условное среднее как линейную комбинацию предикторов, но надежная интерпретация и оценки неопределенности зависят от предположений об ошибках и сборе данных.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Остаточные графики помогают выявить кривизну, изменение разброса, зависимость и необычные наблюдения, которые может скрыть одна подходящая статистика.
Линейная регрессия моделирует ответ как линейную функцию предикторов плюс член ошибки. Допущения часто суммируются слишком широко, поэтому отделите те, которые используются для оценки коэффициентов, от тех, которые необходимы для известных стандартных ошибок и тестов. Условное среднее должно быть правильно представлено выбранными предикторами и функциональной формой. Наблюдения или ошибки должны быть независимыми в соответствии с планом выборки. Постоянная дисперсия условной ошибки, называемая гомоскедастичностью, поддерживает обычную формулу стандартной ошибки МНК. Нормально распределенные ошибки в основном важны для точного вывода небольшой выборки в рамках классической модели, а не для требования самого вычисления метода наименьших квадратов. Остаток — это наблюдаемый результат минус подобранное значение. Постройте график остатков против подобранных значений и важных предикторов. Облако с центром около нуля и без систематической кривой поддерживает выбранную среднюю форму; волна или U-образная полоса указывает на отсутствующую структуру. Веерообразный спред предполагает изменение дисперсии в зависимости от подобранного уровня. Обычный квантильный график может выявить тяжелые хвосты или перекос, но он не позволяет диагностировать независимость. Для данных, упорядоченных во времени, отображайте остатки во временном порядке и рассмотрите возможность проверки серийной корреляции с учетом проектирования. Для гипотетической модели времени ремонта остатки могут быть небольшими для плановых ремонтов и значительно большими для сложных. Это может указывать на непостоянную дисперсию, пропущенную сложность или и то, и другое. Сначала проверьте, верны ли предикторы и измерения; затем рассмотрите преобразованный результат, более точное среднее значение, надежные стандартные ошибки или модель, отражающую изменяющуюся дисперсию. Этот выбор решает различные проблемы и должен быть оправдан контекстом генерации данных. Необычный остаток не является автоматически ошибкой. Точка может иметь большой остаток, высокое влияние в пространстве предикторов или существенное влияние на подобранные коэффициенты; это разные свойства. Изучите записи и сообщайте о важных делах. Диагностика — это свидетельство для доработки модели, а не механический контрольный список, подтверждающий ее. Оцените прогнозную эффективность на основе данных, которые отражают предполагаемое использование, и сообщите об оставшихся ограничениях.
Гипотетический аналитик моделирует ежемесячное потребление энергии на основе температуры наружного воздуха. Остаточная картина U-образной формы предполагает, что прямолинейный температурный эффект не учитывает кривизну; добавление обоснованного нелинейного члена можно сравнить с отложенными месяцами.
Команда поддержки отображает остатки в зависимости от установленного времени разрешения. Если остаточное облако расширяется примерно с плюс-минус 2 часов до плюс-минус 10 часов по мере увеличения прогнозов, предположение о постоянной дисперсии заслуживает исследования.
В гипотетическом временном ряду ежедневного спроса остатки остаются положительными в течение нескольких дней подряд после пика. Эта последовательность предполагает зависимость; случайное разделение поезда и теста может скрыть проблему, поэтому оценка должна учитывать порядок времени.
Исследователь проверяет нормальный квантильный график и влияет на диагностику после подбора статистических моделей. Несколько крайних точек исследуются на предмет ошибок в данных и рычагов влияния; они не удаляются автоматически только потому, что меняют оценку.
Полезный рабочий процесс регрессии может сохранять диагностические графики вместе с версией модели, окном данных и предполагаемым решением. Затем команды могут сравнивать остаточные закономерности во времени и соответствующих группах вместо того, чтобы доверять одному совокупному результату. Когда возникают повторные наблюдения или неравная дисперсия, выбор модели, отражающей эту структуру, может улучшить оценки неопределенности и планирование. Следующим шагом является проверка любого предложенного изменения на более поздних или независимых данных и отслеживание того, остается ли его остаточное поведение приемлемым. Автоматизированные оповещения могут указать аналитикам на изменения, в то время как человеческая проверка все равно должна определить, отражает ли закономерность проблему с данными, измененный процесс или отсутствующий предиктор.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Линейная регрессия описывает условное среднее как линейную комбинацию предикторов, но надежная интерпретация и оценки неопределенности зависят от предположений об ошибках и сборе данных. Остаточные графики помогают выявить кривизну, изменение разброса, зависимость и необычные наблюдения, которые может скрыть одна подходящая статистика.
Систематическая кривая указывает на то, что подобранное среднее значение может не учитывать нелинейную структуру; он сам по себе не диагностирует ошибки независимости или маркировки.
Увеличение остаточного разброса является визуальным признаком того, что дисперсия условной ошибки не может быть постоянной.
Метод наименьших квадратов вычисляет коэффициенты на основе критерия оптимизации; нормальность в основном поддерживает классический вывод в указанной ситуации.
Серии ошибок одного и того же знака во времени могут указывать на последовательную зависимость или изменяющуюся во времени закономерность.
Кредитное плечо касается конфигурации предиктора, поэтому оно может быть высоким, даже если остаток невелик.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Линейный дискриминантный анализ
Технический