Oikein käytettynä Statgraphicsin (tai muiden tilastopakettien) vaiheittainen regressiovaihtoehto antaa enemmän tehoa ja tietoa sormiesi ulottuville kuin tavallinen moninkertainen regressiovaihtoehto, ja se on erityisen hyödyllinen lukuisten mahdollisten riippumattomien muuttujien seulomiseen ja/tai mallin hienosäätöön …
Miksi käyttäisit vaiheittaista regressiota?
Jotkut tutkijat käyttävät vaiheittaista regressiota leikkatakseen luettelon uskottavista selittävistä muuttujista "hyödyllisimpien" muuttujien vähävaraiseen kokoelmaan. Toiset kiinnittävät vain vähän tai ei ollenkaan huomiota uskottavuuteen. He antavat vaiheittaisen menettelyn valita muuttujansa itselleen.
Miksi tutkija käytti vaiheittaista moniregressiota?
Vaiheittaista regressiota voidaan käyttää hypoteesien luomistyökaluna, joka antaa osoituksen siitä, kuinka monta muuttujaa voi olla hyödyllinen ja tunnistaa muuttujat, jotka ovat vahvoja ehdokkaita ennustemalleihin.
Miksi vaiheittainen regressio on kiistanalainen?
Kriitikot pitävät menettelyä paradigmaattisena esimerkkinä tietojen ruoppauksesta, intensiivinen laskenta on usein riittämätön korvike aihealueen asiantuntemukselle. Lisäksi vaiheittaisen regression tuloksia käytetään usein väärin ilman, että niitä mukautetaan mallin valinnan esiintymiseen
Mitä etua vaiheittaisesta valinnasta on parhaaseen osajoukon valintaan verrattuna?
Stepwise tuottaa yhden mallin, joka voi olla yksinkertaisempi. Paras alajoukot tarjoaa enemmän tietoa sisällyttämällä enemmän malleja, mutta voi olla monimutkaisempaa valita yksi. Koska Best Subsets arvioi kaikki mahdolliset mallit, suurten mallien käsittely voi kestää kauan.
