Критические значения для стандартной ошибки оценки регрессии (Std. Error of estimate) Опции

[Pinus]

Стандартная ошибка оценки регрессии (Std. Error of estimate) ? является показателем качества аппроксимации результатов наблюдений. Ее квадрат интерпретируется как дисперсия остатков, представляющая ошибку измерения, с которой любое измеренное значение Y предсказывается для данного значения X по известному уравнению (если уравнение регрессии оценивается из неопределенно большого числа наблюдений). При поиске лучшей модели стоит минимизировать Std. Error of estimate.
Вопрос: существуют ли какие-либо придержки удовлетворительных значений или критические точки для стандартной ошибки оценки регрессии? Как оценить полученное значение, много или мало?

[avorotniak]

Стандартная ошибка оценки регрессии (Std. Error of estimate или Residual Standard Error).
Мы уже обсуждали тему остатков линейной регрессии и рассматривали их как вертикальные дистанции между наблюдениями и регрессионной прямой. Если возвести все эти дистанции в квадрат, суммировать, разделить на степень свободы и потом взять квадратный корень, то получится стандартная ошибка оценки регрессии. Очевидно, что при измерении размеров слона, эти дистанции будут намного больше, чем при измерении мухи, поэтому Residual Standard Error зависит от шкалы.
Зачем нужны оценки ошибки регрессии?
Подбор адекватной модели регрессии это процесс динамический, пошаговый. Очень важно знать к чему приводит каждый такой шаг (например, если выбросить из модели один из предикторов, добавить взаимодействие и т.д.). Для этого и служат такие меры как Std. Error of estimate, коэффициент детерминации, Ср, А?К, predictive error и многие другие. Использование того или иного критерия для подгонки регрессионной модели зависит от каждого специалиста.
Таким образом, не существует универсальных значений стандартной ошибки оценки регрессии. При подборе модели нужно стремится к ее минимизации.