<\/p>\n
Model zagnie\u017cd\u017cony<\/strong> to po prostu model regresji<\/a> , kt\u00f3ry zawiera podzbi\u00f3r zmiennych predykcyjnych w innym modelu regresji.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce mamy nast\u0119puj\u0105cy model regresji (nazwijmy go Modelem A), kt\u00f3ry przewiduje liczb\u0119 punkt\u00f3w zdobytych przez koszykarza na podstawie czterech zmiennych predykcyjnych:<\/span><\/p>\n Punkty = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minuty) + \u03b2 2<\/sub> (wzrost) + \u03b2 3<\/sub> (pozycja) + \u03b2 4<\/sub> (strza\u0142y) + \u03b5<\/span><\/p>\n Przyk\u0142adem modelu zagnie\u017cd\u017conego (nazwijmy go Modelem B) by\u0142by nast\u0119puj\u0105cy model z tylko dwiema zmiennymi predykcyjnymi z Modelu A:<\/span><\/p>\n Punkty = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minuty) + \u03b2 2<\/sub> (wysoko\u015b\u0107) + \u03b5<\/span><\/p>\n Powiedzieliby\u015bmy, \u017ce Model B jest zagnie\u017cd\u017cony w Modelu A,<\/strong> poniewa\u017c Model B zawiera podzbi\u00f3r zmiennych predykcyjnych z Modelu A.<\/span><\/p>\n Rozwa\u017cmy jednak, czy mieliby\u015bmy inny model (nazwijmy go Modelem C) zawieraj\u0105cy trzy zmienne predykcyjne:<\/span><\/p>\n Punkty = \u03b2 0<\/sub> + \u03b2 1<\/sub> (minuty) + \u03b2 2<\/sub> (wzrost) + \u03b2 3<\/sub> (pr\u00f3ba rzut\u00f3w wolnych)<\/span><\/p>\n Nie powiedzieliby\u015bmy, \u017ce Model C jest zagnie\u017cd\u017cony w Modelu A,<\/strong> poniewa\u017c ka\u017cdy model zawiera zmienne predykcyjne, kt\u00f3rych nie zawiera drugi model.<\/span><\/p>\n Cz\u0119sto u\u017cywamy modeli zagnie\u017cd\u017conych w praktyce, gdy chcemy wiedzie\u0107, czy model z pe\u0142nym zestawem zmiennych predykcyjnych mo\u017ce lepiej pasowa\u0107 do zbioru danych ni\u017c model z podzbiorem tych zmiennych predykcyjnych.<\/span><\/p>\n Na przyk\u0142ad w powy\u017cszym scenariuszu mogliby\u015bmy dopasowa\u0107 kompleksowy model<\/strong> wykorzystuj\u0105cy minuty rozegrane, wzrost, pozycj\u0119 i strza\u0142y, pr\u00f3buj\u0105c przewidzie\u0107 liczb\u0119 punkt\u00f3w zdobytych przez koszykarzy.<\/span><\/p>\n Mo\u017cemy jednak podejrzewa\u0107, \u017ce pozycja i pr\u00f3by strza\u0142\u00f3w mog\u0105 nie przewidywa\u0107 zbyt dobrze zdobytych punkt\u00f3w.<\/span><\/p>\n W ten spos\u00f3b mogliby\u015bmy dopasowa\u0107 model zagnie\u017cd\u017cony<\/strong> , kt\u00f3ry do przewidywania zdobytych punkt\u00f3w wykorzystuje wy\u0142\u0105cznie minuty rozegrane i wysoko\u015b\u0107 boiska.<\/span><\/p>\n Nast\u0119pnie mo\u017cemy por\u00f3wna\u0107 oba modele, aby okre\u015bli\u0107, czy istnieje statystycznie istotna r\u00f3\u017cnica.<\/span><\/p>\n Je\u015bli nie ma znacz\u0105cych r\u00f3\u017cnic pomi\u0119dzy modelami, mo\u017cemy usun\u0105\u0107 pozycj\u0119 i pr\u00f3b\u0119 strza\u0142u jako zmienne predykcyjne, poniewa\u017c nie poprawiaj\u0105 one znacz\u0105co modelu.<\/span><\/p>\n Aby okre\u015bli\u0107, czy model zagnie\u017cd\u017cony znacz\u0105co r\u00f3\u017cni si\u0119 od modelu \u201epe\u0142nego\u201d, zazwyczaj przeprowadzamy test wsp\u00f3\u0142czynnika wiarygodno\u015bci, kt\u00f3ry wykorzystuje nast\u0119puj\u0105ce hipotezy zerowe i alternatywne:<\/span><\/p>\n H 0<\/sub> :<\/strong> Model pe\u0142ny i model zagnie\u017cd\u017cony r\u00f3wnie dobrze pasuj\u0105 do danych. Powiniene\u015b wi\u0119c u\u017cy\u0107 modelu zagnie\u017cd\u017conego<\/strong> .<\/span><\/p>\n H A<\/sub> :<\/strong> Model pe\u0142ny pasuje do danych znacznie lepiej ni\u017c model zagnie\u017cd\u017cony. Musisz wi\u0119c u\u017cy\u0107 pe\u0142nego szablonu<\/strong> .<\/span><\/p>\n Test wsp\u00f3\u0142czynnika wiarygodno\u015bci daje statystyk\u0119 testu Chi-kwadrat i odpowiadaj\u0105c\u0105 jej warto\u015b\u0107 p.<\/span><\/p>\n Je\u015bli warto\u015b\u0107 p<\/a> testu jest poni\u017cej pewnego poziomu istotno\u015bci (np. 0,05), w\u00f3wczas mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 i stwierdzi\u0107, \u017ce pe\u0142ny model zapewnia znacznie lepsze dopasowanie.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak przeprowadzi\u0107 test wsp\u00f3\u0142czynnika wiarygodno\u015bci przy u\u017cyciu j\u0119zyk\u00f3w R i Python:<\/span><\/p>\n Model zagnie\u017cd\u017cony to po prostu model regresji , kt\u00f3ry zawiera podzbi\u00f3r zmiennych predykcyjnych w innym modelu regresji. Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce mamy nast\u0119puj\u0105cy model regresji (nazwijmy go Modelem A), kt\u00f3ry przewiduje liczb\u0119 punkt\u00f3w zdobytych przez koszykarza na podstawie czterech zmiennych predykcyjnych: Punkty = \u03b2 0 + \u03b2 1 (minuty) + \u03b2 2 (wzrost) + \u03b2 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2548","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Znaczenie modeli zagnie\u017cd\u017conych<\/strong><\/h3>\n
Jak analizowa\u0107 modele zagnie\u017cd\u017cone<\/strong><\/span><\/h3>\n
\n