Régression pas à pas mixte : règles d'arrêt de la valeur PSalut,
J'essaie d'effectuer une régression mixte pas à pas :
Sélectionner Analyser > Modèle adapté .
Sélectionnez la colonne de réponse et cliquez sur O, réponse .
Sélectionnez les colonnes du prédicteur et cliquez sur Ajouter ou utilisez l'un des Macro si vous souhaitez inclure des effets d'ordre supérieur.
Cliquez sur le bouton à côté de Personnalité et sélectionnez Par étapes .
Cliquez sur Courir .
Cliquez sur BIC minimum et sélectionnez Seuil de valeur P .
Cliquez sur Suivant et sélectionnez Mixte .
Cliquez sur Aller .
Comment dois-je décider de la valeur P d’entrée et de sortie ?? Si je ne veux pas trop ajuster mon modèle ?
Re : Régression mixte Step Wise : valeur PTout d'abord, comprenez que la régression pas à pas est un outil de productivité permettant de rejeter rapidement les modèles inférieurs mais elle ne peut pas garantir que le dernier modèle est le meilleur. C’est peut-être le cas, ou cela pourrait être proche. Vous devez intervenir. Deuxièmement, le résultat provient d’une recherche guidée vers l’avant ou vers l’arrière. Le chemin de la recherche n'examine pas de nombreux modèles possibles, vous avez donc peut-être manqué le meilleur modèle (c'est-à-dire local ou global). Troisièmement, vous devez également examiner les données et les erreurs estimées (résiduelles) pour déterminer s'il existe des données aberrantes ou des violations de la régression linéaire qui pourraient orienter une telle recherche de manière erronée.
Le choix d'un critère pour la recherche Stepwise est important. Chacun a des avantages et des inconvénients. Je n'utilise pas beaucoup de « règles empiriques », donc je ne considère pas un carré R élevé comme une indication de surajustement. Ça arrive. Le surajustement signifie que le modèle ne se généralise pas à de nouvelles données, ce qui est important dans votre situation. Le carré R ajusté tente de remédier au surajustement. La validation croisée est le meilleur moyen, mais vous ne disposez pas de beaucoup de données sur les différentes techniques de CV pour mettre en œuvre cette méthode. Vous pouvez essayer la fonctionnalité Bootstrap si vous disposez de JMP Pro.
Le deuxième bloc est-il simplement un double du premier bloc, ou contient-il des traitements uniques qui ne sont pas présents dans le premier bloc ? Aussi, quel est le coût (temps, argent, et cetera) de l’exploitation du deuxième bloc.
Re : Régression mixte Step Wise : valeur PSalut Mark_Bailey,
Merci beaucoup pour votre aimable aide pour répondre à la plupart de nos questions.
Pourriez-vous s'il vous plaît répondre à l'une de mes questions concernant la régression pas à pas ?
J'ai une conception personnalisée avec 7 facteurs continus avec le modèle de surface de réponse complète. Le plan total comprend 48 expériences avec 2 blocs. Une fois le premier bloc terminé, j'ai essayé d'utiliser un contrôle de régression pas à pas pour ajuster mes données. En utilisant le seuil de valeur P et le BIC minimum, j'ai obtenu le modèle similaire. Les deux modèles m'ont donné une valeur P <0,05 et R ^ 2 = 0,999998, Rsquare Adj = 0,99996. R^2=1 signifie que ce modèle est surajusté. La valeur P est inférieure à 0,05, ce qui signifie que le modèle est significatif. Comment puis-je interpréter ce modèle ? Est-ce suffisant de ne pas exécuter le bloc deux ?
Re : Régression mixte Step Wise : valeur PLes règles d'arrêt basées sur p -values ont été la première implémentation de la plateforme Stepwise. Les valeurs par défaut à saisir et à quitter sont bonnes en l'absence de toute connaissance préalable des données ou du meilleur modèle. (Mais alors, si vous connaissiez la réponse, vous n'auriez pas besoin d'une régression par étapes pour rechercher la meilleure solution.)
Stepwise ne garantit pas que vous ne sous-ajusterez pas ou ne surajusterez pas vos données. Il s'agit d'un outil de « productivité » qui vous fait gagner du temps en examinant les ajustements inférieurs et vous rapproche, sinon de l'ajustement, du meilleur ajustement.
Les critères modernes incluent AICc et BIC. Les deux critères tentent de minimiser les biais (sous-ajustement) tout en minimisant également la variance (sur-ajustement). Ils ne nécessitent pas de seuils absolus comme le p -règles d'arrêt de valeur. Je vous recommande d'utiliser l'une de ces règles d'arrêt.
L'historique permet d'examiner certaines informations clés des différents modèles rencontrés lors du parcours de recherche. Vous pouvez sélectionner n'importe lequel d'entre eux à l'aide des boutons radio situés à droite de cette liste. Vous pouvez ensuite revenir en haut et cliquer sur Créer un modèle (pour la boîte de dialogue Ajuster le modèle) ou Exécuter le modèle (pour la plateforme Ajuster les moindres carrés) où vous pourrez effectuer des ajustements précis dans le tableau Résumé des effets.
