Minitool für Minitab - RegressionRanking: Ranking verschiedener nichtlinearer Modelle eines Datensatzes
Das entsprechende APS-Paket ist über unseren ADDITIVE Professional Service erhältlich. Um das Paket zu erhalten, kontaktieren Sie unseren Support per E-Mail an
- Erstellt am 18.2.2025
- Kompatibel mit: Minitab 20, 21, 22
- Aktuelle Version des Minitools für Version 21: 1.21.4.19492
Bilder
Das ADDITIVE Minitool RegressionRanking für Minitab 22
Das Minitool zum Ranking verschiedener nichtlinearer Modelle eines Datensatzes prüft für eine Auswahl von Modellen, ob ein Datensatz mit einem stetigen Prädiktor X und einer stetigen Antwort Y bestimmte notwendige Voraussetzungen für das jeweilige Modell erfüllt. Für diejenigen Modelle, deren Voraussetzung der Datensatz erfüllt, simuliert das Minitool Startwerte und passt dann das Modell mit diesen Startwerten an. Alle angepassten Modelle werden dann nach einer Residuenstandardabweichung sortiert in einer Tabelle angezeigt. Die Idee dabei ist, dass das beste Modell dasjenige mit der geringsten Residuenstandardabweichung ist. Dabei gibt es drei Modi:
Standard
Im Modus Standard werden die vom Anwender angegebenen Spalten als Prädiktor und Antwort angepasst und die Modelle aufsteigend nach der Residuenstandardabweichung sortiert.
Training
Im Modus Training werden vom Anwenden ein Trainings- und ein Validierungsdatensatz angegeben, wobei jeder Datensatz aus einem Prädiktor und einer Antwort besteht. Die Modelle werden an den Trainingsdatensatz angepasst. Mit den angepassten Modellen werden für den Validierungsdatensatz Residuenstandardabweichungen berechnet und die Modelle aufsteigend nach dieser sortiert. Je besser das mit dem Trainingsdatensatz angepasste Modell bezüglich der Residuenstandardabweichung auf den Validierungsdatensatz passt, umso höher ist das Modell in der Tabelle.
Training (Zufall)
Im Modus Training (Zufall) wird vom Anwender ein Datensatz aus einem Prädiktor und einer Antwort sowie eine Zahl p zwischen 0 und 1 für die Validierung eingegeben. Das Programm teilt den Datensatz in einen Trainingsdatensatz mit 100*(1-p)% der Zeilen und einen Validierungsdatensatz mit 100*p% der Daten ein. Die Modelle werden an den Trainingsdatensatz angepasst. Mit den angepassten Modellen werden für den Validierungsdatensatz Residuenstandardabweichungen berechnet und die Modelle aufsteigend nach dieser sortiert.
|
|
|
