Nagamit nang wasto, ang stepwise regression na opsyon sa Statgraphics (o iba pang stat packages) ay naglalagay ng higit na kapangyarihan at impormasyon sa iyong mga kamay kaysa sa ordinaryong multiple regression na opsyon, at ito ay lalo na kapaki-pakinabang para sa pagsasala sa malaking bilang ng mga potensyal na independent variable at/o pag-fine-tune ng isang modelo sa pamamagitan ng …
Bakit ka gagamit ng stepwise regression?
Gumagamit ang ilang mananaliksik ng stepwise regression upang i-prun ang isang listahan ng mga mapaniniwalaang variable na nagpapaliwanag hanggang sa isang parsimonious na koleksyon ng mga "pinakakapaki-pakinabang" na mga variable. Ang iba ay nagbibigay ng kaunti o walang pansin sa pagiging totoo. Hinayaan nila ang stepwise procedure na pumili ng kanilang mga variable para sa kanila.
Bakit gumamit ang mananaliksik ng stepwise multiple regression?
Stepwise regression ay maaaring gamitin bilang isang hypothesis generating tool, na nagbibigay ng isang indikasyon kung gaano karaming mga variable ang maaaring maging kapaki-pakinabang, at pagtukoy ng mga variable na malakas na kandidato para sa mga modelo ng hula.
Bakit kontrobersyal ang stepwise regression?
Itinuturing ng mga kritiko ang pamamaraan bilang isang paradigmatic na halimbawa ng data dredging, ang matinding pag-compute ay kadalasang hindi sapat na kapalit para sa kadalubhasaan sa larangan ng paksa. Bukod pa rito, ang mga resulta ng stepwise regression ay madalas na ginagamit nang hindi tama nang hindi isinasaayos ang mga ito para sa paglitaw ng pagpili ng modelo
Ano ang bentahe ng stepwise na pagpili kumpara sa pinakamahusay na subset na pagpili?
Stepwise ay nagbubunga ng isang modelo, na maaaring maging mas simple. Ang pinakamahusay na subset ay nagbibigay ng higit pang impormasyon sa pamamagitan ng pagsasama ng higit pang mga modelo, ngunit maaari itong maging mas kumplikadong pumili ng isa. Dahil tinatasa ng Best Subsets ang lahat ng posibleng modelo, maaaring magtagal bago maproseso ang malalaking modelo.
