Tinkamai naudojant, laipsniškos regresijos parinktis Statgraphics (ar kituose statistikos paketuose) suteikia jums daugiau galios ir informacijos, nei naudojant įprastą daugkartinės regresijos parinktį, ir tai ypač naudinga norint perskaityti daugybę galimų nepriklausomų kintamųjų ir (arba) patikslinti modelį iki …
Kodėl turėtumėte naudoti laipsnišką regresiją?
Kai kurie tyrinėtojai naudoja laipsnišką regresiją , kad sutrumpintų tikėtinų aiškinamųjų kintamųjų sąrašą iki taupaus „naudingiausių“kintamųjų rinkinio. Kiti į tikimybę kreipia mažai dėmesio arba visai nekreipia dėmesio. Jie leidžia laipsniškai procedūrai pasirinkti kintamuosius.
Kodėl tyrėjas naudojo laipsnišką daugybinę regresiją?
Laipsninė regresija gali būti naudojama kaip hipotezės generavimo įrankis, suteikiantis nurodymą, kiek kintamųjų gali būti naudingas, ir identifikuoti kintamuosius, kurie yra tinkami prognozavimo modeliams.
Kodėl laipsniška regresija yra prieštaringa?
Kritikai šią procedūrą vertina kaip paradigminį duomenų gilinimo pavyzdį, o intensyvus skaičiavimas dažnai yra netinkamas dalykinių žinių pakaitalas. Be to, laipsniškos regresijos rezultatai dažnai naudojami neteisingai, jų nekoreguojant atsižvelgiant į modelio pasirinkimą
Koks laipsniško pasirinkimo pranašumas, palyginti su geriausiu pogrupio pasirinkimu?
Stepwise sukuria vieną modelį, kuris gali būti paprastesnis. Geriausi pogrupiai suteikia daugiau informacijos įtraukdami daugiau modelių, tačiau gali būti sudėtingiau pasirinkti vieną. Kadangi „Geriausi pogrupiai“įvertina visus galimus modelius, didelių modelių apdorojimas gali užtrukti ilgai.
