Fit Model Prediction Profiler pour 86 effets sur 1 réponseSalut tout le monde, j'essaie de générer un profileur de prédiction pour 86 composants sur son effet pour 1 réponse "IVCC". J'ai utilisé l'outil Ajuster le modèle dans le menu Analyser, avec 1 réponse étant IVCC et 86 réponses allant de "Glycine" à "Vitamine D12" dans le fichier. Le profileur de prédiction résultant et la maximisation de la désirabilité dans la fenêtre d'analyse peuvent produire des valeurs pour la réponse prédite, mais aucune courbe de prédiction n'est générée. Quelqu'un aurait-il des idées sur la façon de mieux analyser ces données ? Mon but ultime est de déterminer la valeur de chacun des 86 composants qui maximise "IVCC". Merci!
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseGrande Conversation.
Je suis d'accord avec Julien. Les techniques de régression généralisées (lien ci-dessous) abordent les défis liés aux ensembles de données qui incluent plus de variables que d'observations.
( https://www.jmp.com/support/help/14-2/generalized-regression.shtml )
Deux de ces techniques, le lasso et le filet élastique, effectuent une sélection de variables dans le cadre de la procédure de modélisation disponible dans JMP Pro.
Je vous souhaite un heureux Généralisé Régression avec JMP Pro
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseEn ce qui concerne les méthodes de sélection de variables, PLS et les méthodes Tree font un très bon travail. Si vous avez accès à JMP Pro, il existe d'autres très bonnes options utilisant la régression généralisée.
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseSalut Byron_JMP merci beaucoup de m'avoir orienté dans la bonne direction !
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseMerci Julien pour votre aide ! Votre avis m'est très utile pour diagnostiquer ma situation. Je vais également essayer d'utiliser les moindres carrés partiels et la sélection de variables. Merci!Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseSalut statman, merci pour votre aide! Les 86 composants sont des variables d'entrée, désolé pour la confusion. Je vais essayer de filtrer les plus importants pour voir si cela résoudra le problème - très apprécié !Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseMerci Mark Bailey pour votre réponse ! Idéalement les 86 effets seraient nécessaires. Je vais essayer d'ajuster l'échelle, merci pour le conseil. J'apprécie les conseils !Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseJ'aime @julien 's réponse, c'est une bonne façon d'aller.
J'utiliserais probablement Analyze>Screening>Predictor Screening pour affiner la liste des bons paramètres candidats. Avec seulement quelques lignes de données, il serait probablement judicieux d'exécuter cette plate-forme plusieurs fois pour voir si vous obtenez un ensemble stable de prédicteurs. Lorsque la réponse est principalement du bruit, l'ensemble de prédicteurs sera assez aléatoire d'une exécution à l'autre.
Alternativement, la plate-forme de partition (un arbre à la fois) est un bon moyen de maîtriser également les principaux moteurs de votre réponse.
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseSalut @jonred ,
Il semble que vous ne voyez pas les résultats que vous attendez dans le profileur de prédiction car vous avez un modèle avec plus de paramètres à estimer que de degrés de liberté disponibles. La section "Détails de la singularité" en haut de votre rapport sur le modèle d'ajustement en est une indication.
En d'autres termes, pour ajuster un modèle aussi complexe que vous le souhaitez (estimations de l'effet de 86 variables, plus l'ordonnée à l'origine du modèle), vous aurez besoin de plus de 15 lignes de données.
Une alternative consiste à utiliser un modèle qui tolère d'avoir moins de données que le nombre de variables que vous souhaitez utiliser (comme Moindres carrés partiels ), ou pour effectuer une sélection de variables afin de réduire l'ensemble de variables pour X.
J'espère que ça aide!
@julien
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseDésolé, je suis un peu confus par votre message. Les 86 composants sont-ils des variables d'entrée (x) ou des variables de réponse (y) ?
"86 composants sur son effet pour 1 réponse "IVCC"" suggèrent qu'il s'agit de x, mais " 1 réponse étant IVCC et 86 réponses allant de..." suggère qu'il s'agit de Y. Si vous avez autant de Y, je chercherais d'abord à voir lesquels sont corrélés (méthodes multivariées> multivariées). S'il s'agit de x, sur la base du principe de la rareté des effets, je passerais d'abord en revue les 86 composants pour déterminer lesquels sont les plus importants (et ce ne sont que les 1ers effets d'ordre ?). Il y a plusieurs façons de le faire (je commencerais par des hypothèses). Une fois que vous avez identifié les facteurs significatifs, votre formule de prédiction vous sera utile. Je pense qu'il serait pratiquement impossible de contrôler/gérer 86 variables simultanément (pensez aux erreurs de mesure associées pour chaque x).
Objet : Fit Model Prediction Profiler pour 86 effets sur 1 réponseLe profileur de prédiction est plus utile une fois que vous avez sélectionné un modèle. 86 fonctionnalités sont-elles nécessaires pour le modèle ?
De plus, l'algorithme de mise à l'échelle automatique de l'axe de réponse est très bon mais il n'est pas infaillible. Vous devrez peut-être modifier l'échelle pour voir les profils, en particulier après avoir maximisé la désirabilité.
