Examine output feature class residu

Examine output feature class residuals. Over and under predictions for a properly specified regression model will be randomly distributed. Clustering of over and/or under predictions is evidence that you are missing at least one key explanatory variable. Examine the patterns in your model residuals to see if they provide clues about what those missing variables are. Sometimes running Hot Spot Analysis on regresion residuals will help you see the broader patterns in over and under predictions.

ผลลัพธ์ (ไทย) 1:

ตรวจสอบผลลัพธ์คุณลักษณะชั้นเหลือ เหนือ และ ใต้การคาดการณ์สำหรับการถดถอยอย่างถูกต้องระบุรุ่นจะสามารถกระจายแบบสุ่ม คลัสเตอร์ของเหนือ หรือ ใต้คาดคะเนเป็นหลักฐานคุณไม่มีอย่างน้อยหนึ่งคีย์อธิบายผันแปร ตรวจสอบรูปแบบในเหลือรุ่นของคุณเพื่อดูว่า จะให้เบาะแสเกี่ยวกับตัวแปรเหล่านั้นหายไปคืออะไร บางครั้งใช้วิเคราะห์จุดเหลือ regresion จะช่วยให้คุณดูรูปแบบกว้างในเหนือ และ ใต้คาดคะเน

ผลลัพธ์ (ไทย) 2:

ตรวจสอบการส่งออกเหลือ Class มี เหนือและใต้คาดการณ์สำหรับรูปแบบการถดถอยที่ระบุไว้อย่างถูกต้องจะถูกกระจายแบบสุ่ม การจัดกลุ่มของกว่าและ / หรืออยู่ภายใต้การคาดการณ์เป็นหลักฐานที่แสดงว่าคุณจะหายไปตัวแปรอธิบายอย่างน้อยหนึ่งที่สำคัญ ตรวจสอบในรูปแบบที่เหลือรูปแบบของคุณเพื่อดูว่าพวกเขาให้เบาะแสเกี่ยวกับสิ่งเหล่านั้นเป็นตัวแปรที่ขาดหายไป บางครั้งการทำงาน Ho​​t Spot on วิเคราะห์เหลือ regresion จะช่วยให้คุณดูรูปแบบที่กว้างขึ้นในกว่าและอยู่ภายใต้การคาดการณ์

ผลลัพธ์ (ไทย) 3:

ตรวจสอบออกคุณลักษณะระดับความคลาดเคลื่อน . เหนือและใต้ทำนายอย่างถูกต้องระบุแบบจำลองการถดถอยจะกระจายแบบสุ่ม การจัดกลุ่มของเหนือ และ / หรือ ภายใต้การคาดการณ์คือหลักฐานว่าคุณจะหายไปอย่างน้อยหนึ่งที่สำคัญในการอธิบายตัวแปร ศึกษารูปแบบในรูปแบบของคุณค่าเพื่อดูว่าพวกเขาให้เบาะแสเกี่ยวกับสิ่งที่มันขาดหายไปคือ . บางครั้งการวิ่งการวิเคราะห์จุดร้อนในการถดถอยซึ่งจะช่วยให้คุณเห็นรูปแบบ เช่น ผ่าน และคาดคะเน