בשימוש נכון, אפשרות הרגרסיה המדרגה ב-Statgraphics (או בחבילות סטטיסטיקות אחרות) מכניסה יותר כוח ומידע בקצות אצבעותיך מאשר אפשרות הרגרסיה המרובה הרגילה, והיא במיוחד שימושי לסינון מספר רב של משתנים בלתי תלויים פוטנציאליים ו/או כוונון עדין של מודל על ידי …
למה להשתמש ברגרסיה צעדית?
יש חוקרים שמשתמשים ברגרסיה צעדית כדי לגזום רשימה של משתני הסבר סבירים עד לאוסף חסכני של המשתנים "השימושיים ביותר". אחרים מקדישים תשומת לב מועטה לסבירות. הם נותנים להליך המדרגתי לבחור עבורם את המשתנים שלהם.
מדוע החוקר השתמש ברגרסיה מרובה צעדים?
רגרסיה שלבית יכולה לשמש ככלי ליצירת השערות, נותן אינדיקציה לכמה משתנים עשויים להיות שימושיים, ומזהה משתנים שהם מועמדים חזקים למודלים של חיזוי.
מדוע רגרסיה מדרגת שנויה במחלוקת?
המבקרים מתייחסים לנוהל כדוגמה פרדיגמטית של חפירת נתונים, כאשר חישוב אינטנסיבי מהווה לעתים קרובות תחליף לא הולם למומחיות בתחום הנושא. בנוסף, התוצאות של רגרסיה מדורגת הן פעמים רבות בשימוש שגוי מבלי להתאים אותן להתרחשות של בחירת מודל
מה היתרון של בחירה שלבית בהשוואה לבחירת המשנה הטובה ביותר?
Stepwise מניב מודל יחיד, שיכול להיות פשוט יותר. subsets הטובים ביותר מספקים מידע נוסף על ידי הכללת דגמים נוספים, אבל זה יכול להיות מורכב יותר לבחור אחד. מכיוון ש-Best Subsets מעריכה את כל המודלים האפשריים, עיבוד של מודלים גדולים עשוי להימשך זמן רב.
