Aufgeräumtes Modellieren mit R

Kapitel 21. Inferentielle Analyse

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Hinweis

In Kapitel 1 haben wir eine Taxonomie der Modelle skizziert und gesagt, dass die meisten Modelle als deskriptiv, ableitend und/oder prädiktiv eingestuft werden können.

Die meisten Kapitel in diesem Buch befassen sich mit Modellen unter dem Gesichtspunkt der Genauigkeit der vorhergesagten Werte, einer wichtigen Eigenschaft von Modellen für alle Zwecke, die jedoch für prädiktive Modelle am wichtigsten ist. Inferentielle Modelle werden in der Regel nicht nur wegen ihrer Vorhersagen erstellt, sondern auch, um Rückschlüsse oder Urteile über eine Komponente des Modells zu ziehen, z. B. über einen Koeffizientenwert oder einen anderen Parameter. Diese Ergebnisse werden oft verwendet, um (hoffentlich) vordefinierte Fragen oder Hypothesen zu beantworten. Bei prädiktiven Modellen werden die Vorhersagen auf Basis von Holdout-Daten verwendet, um die Qualität des Modells zu validieren oder zu charakterisieren. Inferentielle Methoden konzentrieren sich auf die Validierung der probabilistischen oder strukturellen Annahmen, die vor der Anpassung des Modells gemacht werden.

Bei der gewöhnlichen linearen Regression wird zum Beispiel üblicherweise angenommen, dass die Restwerte unabhängig sind und einer Gaußschen Verteilung mit konstanter Varianz folgen. Auch wenn du über wissenschaftliche oder fachliche Kenntnisse verfügst, ...