Construction de modèles via la régression des meilleurs sous-ensembles dans JMP 12<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />salut tout le monde.
Je souhaite savoir quel est le flux de travail pour arriver à un modèle réduit dans JMP 12.
cela pourrait être utile pour expliquer d'où je viens - on m'a appris l'analyse des données à l'aide de Minitab. dans la classe de ceinture noire six sigma (et également renforcé comme méthode au travail), il a été enseigné (et pratiqué) que pour obtenir le modèle réduit (pour continu variables) en utilisant le principe de Parcimonie nous devons :
1.) ajuster un modèle de régression avec tous les facteurs
2.) supprimer les facteurs avec VIF >= 5
3.) effectuer l'approche des meilleurs sous-ensembles
4.) sélectionnez le ou les sous-ensembles avec la statistique Cp de Mallows < (k + 1)
5.) sélectionnez le(s) sous-ensemble(s) avec un R-Sq élevé (adj)
6.) sélectionnez le modèle le plus simple avec le moins de variables possible pouvant expliquer adéquatement la variation (figure ci-dessous).
dans notre manuel, la procédure ci-dessus est intitulée "Étapes impliquées dans la construction de modèles".
ce flux de travail est-il réalisable dans JMP 12 ? comment ?
Je sais que JMP a ses propres procédures de création de modèles. je suis actuellement en train de lire et de faire des visites guidées via le Visuel Six Sigma livre (actuellement au chapitre 6) et en regardant Construire de meilleurs modèles et d'autres ressources.
J'apprécie tous les conseils que j'ai reçus lors de la transition vers JMP.
- Randy, débutant JMP
Re : Construction de modèles via la régression des meilleurs sous-ensembles dans JMP 12merci pour toutes vos contributions et pour m'avoir aidé dans ma transition vers JMP, tout le monde !
Je désapprends les méthodes du logiciel précédent et j'en apprends de nouvelles dans cette communauté.
très appréciée.
Re : Construction de modèles via la régression des meilleurs sous-ensembles dans JMP 12Permettez-moi de m'appuyer un peu plus sur les commentaires de mes collègues Bill et Ian en vous encourageant à examiner les parcelles résiduelles tout au long du chemin vers votre modèle « utile ». Enfin, utilisez vos connaissances en matière de processus pour informer l'utilité de votre modèle... pas seulement les statistiques de régression que vous citez. Si votre modèle suggère que l'eau monte ... eh bien, cela suggère que le modèle est en quelque sorte défectueux et suit aveuglément les valeurs VIF, Rsquared, etc ... sont presque inutiles.
Re : Construction de modèles via la régression des meilleurs sous-ensembles dans JMP 12Pour s'appuyer sur les commentaires de Ian.Pour choisir les meilleurs sous-ensembles, vous feriez mieux d'utiliser la validation croisée.La validation croisée vous aidera à vous assurer que vous disposez du meilleur modèle possible avec le moins de termes.La validation bidirectionnelle K-fold est un bon point de départ et si vous disposez de JMP Pro, la validation à trois voies est encore meilleure.Une règle empirique raisonnable est que moins de 50 exécutions utilisent le pliage en K et que tout ce qui dépasse 50 utilise la validation croisée à trois voies.
Le lien ci-dessous donne une discussion sur la validation croisée dans JMP et si vous sélectionnez l'onglet "Suivant", il vous amènera à la régression généralisée que Ian mentionne également.
Utilisation de la validation
Re : Construction de modèles via la régression des meilleurs sous-ensembles dans JMP 12Je dois dire qu'il y a presque autant de façons de construire un modèle utile qu'il y a de personnes qui les construisent. En fin de compte, c'est l'utilité du modèle avec lequel vous vous retrouvez qui est importante, pas tellement comment vous y êtes arrivé.
JMP prend en charge de nombreuses approches de création de modèles, et avec un peu de JSL, plus ou moins n'importe quel protocole que vous souhaitez suivre peut être pris en charge et rationalisé. Celui que vous décrivez ci-dessus est parfaitement réalisable dans JMP. Notez que, pour l'étape 2, pour obtenir les VIF, vous devez trouver le tableau "Parameter Estimates" dans le rapport Fit Model, faire un clic droit dessus et sélectionner "Columns > VIF".
Enfin, en ce qui concerne les capacités de modélisation de JMP, le livre VSS n'est pas vraiment définitif, juste un point de départ raisonnable pour l'expérience du lectorat probable. Si vous voulez avoir une vue d'ensemble de ce qui est possible, vous devriez certainement consulter la personnalité "Régression généralisée" de Fit Model (plus le matériel de support). Je ne sais pas exactement ce qui est couvert dans "Construire de meilleurs modèles", mais la 2e édition à venir du livre VSS contient un peu de cela.
