Exploration de données avec de petits échantillons...Régression avec de petits échantillons ?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Chers experts JMP, je sais que ce genre de discussion peut être à la fois idiot...très idiot et un sujet brûlant...mais j'ai pensé qu'il serait bien de le soulever : Quels types de régression linéaire ET non linéaire JMP propose-t-il lorsque vous disposez d'un échantillon de petite taille (par exemple, 50 à 70 enregistrements) et que vous souhaitez prédire un résultat continu à partir de 5 à 7 prédicteurs (à la fois catégoriels et continus) Peut-être une régression linéaire pas à pas à validation croisée k fois OU une moindre régression partielle est-ce qu'il y a un remède à ce problème ? Les arbres boostés OU les réseaux de neurones sont-ils tout simplement insensés, même en y pensant ? Vos réponses sont les bienvenues et TRÈS APPRÉCIÉES. Respectueusement, Chris
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Bien que cette question ait reçu une réponse il y a assez longtemps, je souhaite intervenir ici car je pense que la discussion ne parle pas de certains détails qui seraient importants pour décider si vous serez en mesure d'obtenir des informations significatives.
1. Les données proviennent-elles d'un DOE ? Ensuite, 50 à 70 observations seront généralement bien plus suffisantes pour avoir suffisamment de degrés de liberté pour détecter le comportement sous-jacent.
2. S'il provient d'un DOE, de quel genre. Il est important que le DOE puisse estimer les effets du modèle que vous souhaitez examiner dans votre régression ou dans d'autres modèles. S'il ne s'agit que d'un modèle à effet principal, la conception peut estimer que vous aurez à nouveau une incertitude quant à savoir si le modèle créé vous dira la vérité.
3. S'il ne s'agit que d'observations, l'analyse exploratoire des données peut vous aider à identifier des modèles potentiels, en utilisant ensuite différentes stratégies de modélisation mentionnées précédemment et en les comparant vous aidera à voir si vous pouvez faire confiance aux modèles (racontent-ils la même histoire ou complètement). différents ?)
Dans ce dernier cas, vous souhaiterez peut-être obtenir une meilleure compréhension auprès d’un DOE.
4. On dit souvent que les réseaux neuronaux ne sont pas applicables avec si peu de données. Des recherches plus récentes montrent qu'avec certaines stratégies, vous pourrez obtenir des résultats encore acceptables. Cependant, vous ne devriez jamais vous fier à un seul modèle. Testez-en différents. Vérifiez comment le modèle se comporte lorsque vous simulez de petites variations des paramètres réels, si les résultats de la simulation restent dans les limites de confiance ou s'ils s'écartent fortement.
Avant de faire cela, vous devez vérifier la qualité des données, y a-t-il des valeurs aberrantes, des valeurs manquantes, les colonnes sont-elles corrélées en raison de certaines relations déjà connues comme A est k*B ou similaire, y a-t-il de nombreux doublons. Les observations mesurent-elles la même chose au fil du temps, sont-elles des mesures répétées, ... Tout cela vous dira ce que vous pouvez ou ne pouvez pas faire avec vos données.
Donc, ce que je veux dire, c'est que vous pouvez créer des modèles pour tous, mais leur utilité dépend de ta question, d'où proviennent les données, et comment il a été mesuré, et pas nécessairement sur le nombre d'observations dont vous disposez.
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?C'est beaucoup plus clair. Merci beaucoup
Cordialement
C
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Would you please be so kind and elaborate a little bit more about signal and noise? (justone sentence)
Please accept my apologies but for me these two terms are pretty allegorical to my silly mind.
La plupart des modélisations statistiques tentent de déterminer s'il existe un signal (une relation réelle) supérieur à la variabilité des erreurs (bruit). Chaque technique de modélisation que je connais donne une mesure de ce rapport signal/bruit ; par exemple, dans une régression standard, ce serait le test F global.
Il n'y a aucune raison pour que vous ne puissiez pas avoir un signal très important et un bruit très faible dans 50 points de données. Cela dépend des données.
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Merci PG, cela aide. Je vais vérifier cela.
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Oui, je voulais dire une analyse de type CART, appelée Partition dans JMP. Lorsque la variable dépendante est continue, le résultat est un arbre de régression, sinon, c'est un arbre de classification (ou de décision). Je pense que les splines de régression consomment trop de degrés de liberté pour être applicables à la taille de votre ensemble de données. -PG
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Salut PaigeMiller
Pourriez-vous s'il vous plaît être si gentil et développer un peu plus sur le signal et le bruit ? ( juste une phrase)
Veuillez accepter mes excuses, mais pour moi, ces deux termes sont assez allégoriques à mon avis idiot.
MERCI!
Chris
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?PS Je sais que MARS n'est pas proposé dans JMP mais il est proposé par SAS...donc scénar pourrait aider.
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Tout d'abord merci beaucoup pour votre réponse rapide. j'apprécie vraiment cela
PGStats voulez-vous dire l'analyse de l'arbre de classification et de régression ? CHARIOT?
Pensez-vous également que les splines de régression adaptative multivariées pourraient également fonctionner pour des échantillons de petite taille ?
Merci encore beaucoup !
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?La première chose que je fais avec des ensembles de données aussi étriqués est une analyse d'arbre de régression. Il s'agit d'un moyen rapide et intuitif d'explorer la relation entre vos variables dépendantes et prédictives. Les trois ou quatre premiers nœuds sont généralement significatifs. -PG
Re : Exploration de données avec de petits échantillons... Régression avec de petits échantillons ?Le fait que ces procédures fonctionnent ou non avec ces tailles d'échantillon dépend du rapport signal/bruit. Si vous avez beaucoup de signal et un faible bruit, vous n'aurez probablement même pas besoin de 50 enregistrements. Inversement, un signal faible et un bruit élevé, et vous perdez probablement votre temps.
