Im Abschnitt Regression mit einem Prädiktor verwenden wurde gezeigt, wie einfache Regressionsmodelle mit einer Prädiktorvariablen und einer Zielgrößenvariablen erstellt werden. Multiple Regression prognostiziert die durchschnittliche Zielgrößenvariable mit zwei oder mehr Prädiktorvariablen.
In diesem Beispiel wird die Beispieldatentabelle Candy Bars.jmp verwendet, die Ernährungsdaten für Schokoriegel enthält.
|
•
|
Verwenden Sie die multiple Regression, um die durchschnittliche Zielgrößenvariable mit diesen drei Prädiktorvariablen zu prognostizieren.
|
1.
|
|
2.
|
|
3.
|
|
4.
|
|
5.
|
Klicken Sie auf OK.
|
Abbildung 5.26 Ergebnisse der Streudiagramm-Matrix
Verwenden Sie weiterhin die Beispieldatentabelle Candy Bars.jmp.
|
1.
|
|
2.
|
|
3.
|
|
4.
|
Bei „Betonung“ wählen Sie Effektfilterung.
|
Abbildung 5.27 Fenster „Modell anpassen“
|
5.
|
Klicken Sie auf Ausführen.
|
Hinweis: Ausführliche Informationen zu allen Modellergebnissen finden Sie im Kapitel zur Modellspezifikation im Buch Fitting Linear Models.
Das „Beobachtete Werte über Vorhersage“-Diagramm zeigt die tatsächlichen Kalorien gegenüber den prognostizierten Kalorien. Wenn sich die prognostizierten Werte den tatsächlichen Werten nähern, rücken die Punkte auf dem Streudiagramm näher zur roten Linie. Siehe Diagramm „Beobachtete Werte über Vorhersage“. Da die Punkte alle sehr nahe an der Linie liegen, können Sie sehen, dass das Modell auf Basis der gewählten Faktoren Kalorien gut prognostiziert.
Abbildung 5.28 Diagramm „Beobachtete Werte über Vorhersage“
Eine andere Messung der Modellgenauigkeit ist der r2-Wert (der unter dem Diagramm in Diagramm „Beobachtete Werte über Vorhersage“ erscheint). Der r2-Wert misst den Prozentsatz der Variabilität der Kalorien, der durch das Modell erklärt wird. Ein Wert näher an 1 bedeutet, dass das Modell eine gute Prognose liefert. In diesem Beispiel ist der r2-Wert 0,99.
Abbildung 5.29 Bericht „Parameterschätzer“
Verwenden Sie die Vorhersageanalyse, um zu sehen, wie sich Änderungen der Faktoren auf die prognostizierten Werte auswirken. Die Profillinien zeigen die Größe der Änderungen in Kalorien bei Faktoränderungen. Die Linie für Total fat g ist die steilste. Das bedeutet, dass Änderungen am Gesamtfett die größte Auswirkung auf Kalorien haben.
Abbildung 5.30 Analysediagramm - Vorhersageanalyse
Abbildung 5.31 Faktorwerte für Milky Way
Hinweis: Ausführliche Informationen zur Vorhersageanalyse finden Sie im Kapitel zum Analysediagramm im Buch Profilers.