Comment JMP détermine-t-il le meilleur modèle à l'aide d'AICc dans une régression pas à pas ?Comment JMP détermine-t-il quelle combinaison de variables est le "meilleur" modèle en utilisant l'AICc vers l'avant dans le module de régression pas à pas ? En d'autres termes, comment décide-t-il quand s'arrêter, et pourquoi décide-t-il parfois qu'il n'y a pas de « meilleur » modèle ? J'ai lu qu'il doit y avoir une différence d'AICc de 2 ou plus, sinon les modèles sont considérés comme équivoques. Est-ce également ce que JMP utilise ?
Re : Meilleur modèle utilisant AICc dans la régression pas à pas<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Salut Benjamin,
Je voulais juste ajouter quelque chose concernant votre question sur le moment où la procédure Stepwise s'arrête et identifie un meilleur modèle, avec AICc comme règle d'arrêt. Lorsque vous cliquez sur Go, les ajustements automatiques (devraient !) se poursuivent jusqu'à ce qu'un meilleur modèle soit trouvé. Le meilleur modèle est celui avec un AICc minimum qui peut être suivi par jusqu'à dix modèles avec des valeurs plus élevées d'AICc ou de BIC, respectivement. En d'autres termes, la procédure pas à pas tente de surmonter les augmentations locales de l'AICc pour jusqu'à dix modèles, avant de décider d'arrêter.
Il semble que cette règle était en place pour JMP 11. Ainsi, dans votre exemple pour PP13B, la plus petite valeur AICc était pour le modèle 1. Ensuite, les modèles 2 et 3 étaient ajustés, mais leurs valeurs AICc étaient supérieures à celles du modèle 1, et donc le premier modèle a été sélectionné comme le meilleur. Si cela avait été possible, JMP aurait continué à installer huit autres modèles et aurait opté pour le modèle 1 si aucun d'entre eux n'avait un AICc plus petit.
Au fait, je m'attendais à ce qu'un quatrième modèle incluant Defleshing soit adapté. Mais cela ne s'est pas produit. Je me demande si le décharnement et l'habillage sur le terrain pourraient être colinéaires, car ils ont les mêmes valeurs SS ?(Lorsque le modèle 3 était adapté, Stepwise ne pouvait pas s'adapter à un modèle 4.)
Dans votre exemple PP5-6, le modèle défini à l'étape 3 aurait dû être identifié comme Meilleur.Je me demande à nouveau s'il y a peut-être eu un problème de colinéarité, empêchant progressivement l'adaptation du modèle suivant.Dans tous les cas, ce troisième modèle aurait dû être marqué comme meilleur.
Je vous encourage fortement à essayer tous les modèles possibles avec vos données. L'utilisation Pas à pas dans une direction Avant ne considère que les modèles le long d'un chemin défini par des valeurs de p, et il ne s'agit que d'un sous-ensemble des modèles possibles.En revanche, All Possible Models prend en compte tous les modèles, la limitation étant le nombre de termes que vous spécifiez.Avec seulement quatre termes, vous pouvez facilement adapter tous les modèles, vous pourriez donc trouver tous les modèles possibles très utiles.
Tous les modèles possibles est une option de triangle rouge dans Stepwise. Une fois le rapport Tous les modèles possibles généré, cliquez avec le bouton droit dans le corps du rapport et sélectionnez Transformer en table de données.À l'aide de la table de données, vous devez construire un tracé de générateur de graphes d'AICc par nombre (de paramètres).En utilisant ce graphique, vous pouvez facilement voir le compromis entre un AICc plus petit et la complexité du modèle.
J'espère que cela est utile...
Marie
Re : Meilleur modèle utilisant AICc dans la régression pas à pasSalut Ben,
J'ai interrogé le testeur de Stepwise à ce sujet, et elle m'a dit qu'il semblait que vous ayez rencontré un bogue qui a été corrigé pour JMP12. Si vous souhaitez envoyer vos données, nous pouvons essayer avec JMP12 pour voir si vous rencontrez réellement ce problème. Sinon, vous pouvez attendre de l'essayer dans JMP12 lors de sa sortie.
Merci,
Michael
Re : Meilleur modèle utilisant AICc dans la régression pas à pasSalut Michael,
Merci beaucoup pour votre réponse! Je connaissais l'idée qu'une différence <2 suggérait la prise en charge des deux modèles, mais je ne connaissais pas le 4-7 ou> 10. Je voulais vous montrer une capture d'écran de ce dont je parle. Dans le premier, JMP a pu trouver un "meilleur" modèle en utilisant un AICc minimum (les variables sont un exemple archéologique sur lequel je travaille - en utilisant des dommages expérimentaux d'utilisation d'outils pour prédire l'utilisation d'outils préhistoriques). Vous pouvez voir que le modèle avec "boucherie + interception" est le meilleur.
Pour ce site archéologique, JMP n'a pas trouvé de « meilleure » combinaison d'endommagements d'outils expérimentaux adaptée au site :
Je peux voir pourquoi il n'a pas trouvé de "meilleur" dans l'historique des étapes (différence <2 par rapport à l'étape précédente), mais lorsqu'il a trouvé un "meilleur" modèle dans la capture d'écran précédente, il y avait une différence <2 dans l'AICc des deux autres étapes du modèle... Je suppose que j'essaie juste de comprendre ce que cela signifie lorsque JMP trouve un "meilleur" par rapport à quand ce n'est pas le cas.
Merci,
Ben
Re : Meilleur modèle utilisant AICc dans la régression pas à pasBonjour,
Lors de l'utilisation de la règle d'arrêt AICc minimum dans Stepwise, le "meilleur" modèle choisi doit être celui avec la plus petite valeur AICc. Je ne suis pas sûr d'avoir rencontré un exemple où Stepwise décide qu'il n'y a pas de meilleur modèle unique.
Cependant, la différence entre les valeurs AICc et la valeur minimale AICc est importante. Selon Burnham & Anderson (2002 ; p. 70-71), une différence inférieure à 2 implique un support empirique substantiel pour le modèle avec l'AICc le plus élevé, une différence de 4 à 7 implique un support "considérablement moins" pour le modèle avec l'AICc le plus élevé. AICc, et une différence supérieure à 10 implique un niveau de soutien empirique qui est "essentiellement nul".
Salutations,
Michael
Burnham et Anderson (2002), Sélection de modèles et inférence multimodèle : une approche théorique de l'information pratique . Springer, New York.
Lien vers le site de l'éditeur : Sélection de modèles et inférence multimodèle - Une approche pratique de la théorie de l'information
