Պատշապես օգտագործված՝ Statgraphics-ում (կամ այլ վիճակագրության փաթեթներում) քայլ առ քայլ ռեգրեսիայի տարբերակը ձեր ձեռքի տակ է դնում ավելի շատ ուժ և տեղեկատվություն, քան սովորական բազմակի ռեգրեսիայի տարբերակը, և դա հատկապես օգտակար է մեծ թվով պոտենցիալ անկախ փոփոխականներ մաղելու և/կամ մոդելի ճշգրտման համար …-ով
Ինչո՞ւ կօգտագործեիք աստիճանական ռեգրեսիա:
Որոշ հետազոտողներ օգտագործում են աստիճանական ռեգրեսիա ՝ ըստ արժանահավատ բացատրական փոփոխականների ցանկը կտրելու մինչև «ամենաօգտակար» փոփոխականների խնայող հավաքածուն: Մյուսները քիչ են կամ ընդհանրապես ուշադրություն չեն դարձնում արժանահավատությանը: Նրանք թույլ են տալիս փուլային ընթացակարգին ընտրել իրենց փոփոխականները:
Ինչո՞ւ է հետազոտողն օգտագործել աստիճանաբար բազմակի ռեգրեսիա:
Փուլային ռեգրեսիան կարող է օգտագործվել որպես վարկածներ ստեղծող գործիք՝ նշելով, թե քանի փոփոխական կարող է օգտակար լինել և բացահայտելով այն փոփոխականները, որոնք կանխատեսման մոդելների ուժեղ թեկնածուներ են:
Ինչու՞ է վիճահարույց փուլային հետընթացը:
Քննադատները դիտարկում են ընթացակարգը որպես տվյալների հողահանման պարադիգմատիկ օրինակ, ինտենսիվ հաշվարկը հաճախ անբավարար փոխարինում է առարկայական ոլորտի փորձաքննությանը: Բացի այդ, փուլային ռեգրեսիայի արդյունքները հաճախ օգտագործվում են սխալ՝ առանց դրանք ճշգրտելու մոդելի ընտրության առաջացման համար
Ո՞րն է փուլային ընտրության առավելությունը լավագույն ենթաբազմության ընտրության համեմատ:
Stepwise-ը տալիս է մեկ մոդել, որը կարող է ավելի պարզ լինել: Լավագույն ենթաբազմությունները տրամադրում են ավելի շատ տեղեկատվություն՝ ներառելով ավելի շատ մոդելներ, բայց ավելի բարդ է ընտրել մեկը: Քանի որ Best Subsets-ը գնահատում է բոլոր հնարավոր մոդելները, մեծ մոդելների մշակումը կարող է երկար ժամանակ պահանջել:
