При правильном использовании опция пошаговой регрессии в Statgraphics (или других статистических пакетах) предоставляет вам больше возможностей и информации, чем обычная опция множественной регрессии, и она особенно полезно для просеивания большого количества потенциальных независимых переменных и/или тонкой настройки модели с помощью …
Зачем использовать ступенчатую регрессию?
Некоторые исследователи используют пошаговую регрессию, чтобы сократить список правдоподобных объясняющих переменных до скупого набора «наиболее полезных» переменных. Другие мало или совсем не обращают внимания на правдоподобие. Они позволяют пошаговой процедуре выбирать за них переменные.
Почему исследователь использовал пошаговую множественную регрессию?
Пошаговая регрессия может использоваться в качестве инструмента для генерации гипотез, давая указание на то, сколько переменных может быть полезным, и определяя переменные, которые являются сильными кандидатами для моделей прогнозирования.
Почему пошаговая регрессия вызывает споры?
Критики рассматривают эту процедуру как парадигматический пример углубления данных, поскольку интенсивные вычисления часто являются неадекватной заменой экспертным знаниям в предметной области. Кроме того, результаты пошаговой регрессии часто используются некорректно без их корректировки на случай выбора модели
В чем преимущество пошагового отбора по сравнению с отбором наилучшего подмножества?
Stepwise дает единую модель, которая может быть проще. Лучшие подмножества предоставляют больше информации, включая больше моделей, но может быть сложнее выбрать одну. Поскольку Best Subsets оценивает все возможные модели, обработка больших моделей может занять много времени.
