Megfelelő használat esetén a Statgraphics (vagy más statisztikai csomagok) lépésenkénti regressziós beállítása nagyobb teljesítményt és információt tesz kéznél, mint a hagyományos többszörös regressziós opció, és különösen hasznos nagyszámú lehetséges független változó átszűréséhez és/vagy a modell finomhangolásához …
Miért használna fokozatos regressziót?
Egyes kutatók lépcsős regressziót használnak a valószínű magyarázó változók listájának összevágására a „leghasznosabb” változók szűkszavú gyűjteményéig. Mások alig vagy egyáltalán nem fordítanak figyelmet a hihetőségre. Hagyják, hogy a lépésenkénti eljárás válassza ki számukra a változókat.
Miért alkalmazott a kutató lépésenkénti többszörös regressziót?
A lépcsős regresszió hipotézisgeneráló eszközként használható, jelzést ad arról, hogy hány változó lehet hasznos, és azonosítja azokat a változókat, amelyek erős jelöltek az előrejelzési modellekhez.
Miért vitatott a fokozatos regresszió?
A kritikusok az eljárást az adatkotrás paradigmatikus példájának tekintik, mivel az intenzív számítások gyakran nem helyettesítik megfelelően a tématerületi szakértelmet. Ezenkívül a lépésenkénti regresszió eredményeit gyakran helytelenül használják anélkül, hogy a modellválasztás előfordulásához igazítanák őket
Mi az előnye a fokozatos kiválasztásnak a legjobb részhalmaz-kiválasztáshoz képest?
A Stepwise egyetlen modellt eredményez, amely lehet egyszerűbb is. A Best alhalmazok több információt nyújtanak több modell felvételével, de bonyolultabb lehet egyet választani. Mivel a Best Subsets az összes lehetséges modellt értékeli, a nagy modellek feldolgozása sokáig tarthat.
