Verschoben! Messwerte -> Abhängigkeiten untereinander bestimmen |
| 26.04.2012, 10:42 | Zemrkd | Auf diesen Beitrag antworten » |
| Messwerte -> Abhängigkeiten untereinander bestimmen Mir steht eine recht hohe Anzahl an Messwertkombinationen zur Verfügung. Von den vielen unabhängigen habe ich ca. 10 identifiziert, von denen ich glaube, sie haben einen wirklichen Einfluss auf die abhängige. Nun möchte ich diesen Einfluss quantifizieren. Bisher habe ich versucht, das ganze mit vielen linearen Gleichungssystemen zu lösen, was aber aufgrund meiner Vereinfachungen (und aufgrund von Messfehlern) keine stimmigen Ergebnisse liefert. Ich würde mich sehr freuen, wenn mir jemand einen Schubs in die richtige Richtung gibt. Vermutlich würde es mir schon sehr helfen, wenn mich jemand aufs richtige Themengebiet hinweißt. Im Moment stehe ich da ein wenig auf dem Schlauch. Ich hoffe, der Titel und das Unterforum sind ausreichend gewählt. Hätte ich präziser wählen können, wäre ich vermutlich schon eine ganze Ecke schlauer (und hätte bei meinen Suchen mehr gefunden). Danke, Zermkd edit: Zusätzlich weiß ich noch über die Werte, dass alle einen Einfluss größer als 0 haben, keiner hat einen negativen Einfluss |
||
| 08.05.2012, 09:37 | Zemrkd | Auf diesen Beitrag antworten » |
| RE: Messwerte -> Abhängigkeiten untereinander bestimmen So, ich hab mittlerweile die richtigen Suchbegriffe gefunden und versuche gerade, die Einflüsse mittels Ordinary least squares/Methode der kleinsten Quadrate zu bestimmen. Leider bekomme ich hierbei z.T. auch negative Werte für die einzelnen Einflüsse. Außerdem ist mein Adjusted R-squared Wert 0,68, vermutlich also nicht optimal. Jetzt bin ich mir nicht mehr sicher, ob die Daten wirklich linear abhängig sind. Wie kann ich das am besten testen? |
||
| 23.05.2012, 07:17 | Zemrkd | Auf diesen Beitrag antworten » |
Ich habe mich noch ein wenig durch die verfügbarer Literatur gewälzt. Dieser Bereich hat wirklich einiges zu bieten :-). Ich versuche gerade mittels einer Hauptkomponentenanalyse (Principal Component Analysis) herauszufinden, ob und welche Variablen stark miteinander korrelieren und durch andere Parameter modelliert werden können. Hierbei bin ich aber noch unschlüssig, ob ich eher die Korrelations- oder die Kovarianzmatrix nehmen soll. Der Nachteil der Kovarianzmatrix scheint ja zu sein, dass bei großen Varianzen einige Messwerte die anderen überlagern. Nun ist in meinem Fall die kleinste Varianz 0.3% der größten. Hat jemand Erfahrungswerte, ob dann die Nutzung der Kovarianzmatrix noch brauchbare Werte bei der PCA liefert? |
||
|
|
Verwandte Themen
| Die Beliebtesten » |
|
| Die Größten » |
|
| Die Neuesten » |
|
