Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortHallo zusammen, ich versuche, einen Vorhersageprofiler für 86 Komponenten zu seiner Wirkung für 1 Antwort "IVCC" zu generieren. Ich habe das Werkzeug „Modell anpassen“ im Menü „Analysieren“ verwendet, wobei 1 Antwort IVCC war und 86 Antworten in der Datei von „Glycin“ bis „Vitamin D12“ reichten. Der resultierende Vorhersage-Profiler und die Maximierung nach Erwünschtheit im Analysefenster können Werte für die vorhergesagte Antwort ausgeben, aber es werden keine Vorhersagekurven generiert. Hat jemand eine Idee, wie man diese Daten besser analysieren kann? Mein ultimatives Ziel ist es, den Wert für jede der 86 Komponenten zu bestimmen, der "IVCC" maximiert. Danke schön!
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortTolles Gespräch.
Ich stimme Julian zu. Generalized Regression Techniques (Link unten) befasst sich mit den Herausforderungen im Zusammenhang mit Datensätzen, die mehr Variablen als Beobachtungen enthalten.
( https://www.jmp.com/support/help/14-2/generalized-regression.shtml )
Zwei dieser Techniken, Lasso und Elastic Net, führen die Variablenauswahl als Teil des Modellierungsverfahrens durch und sind in JMP Pro verfügbar.
Ich wünsche Ihnen ein glückliches Verallgemeinert Regression mit JMP Pro
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortWas Methoden zur Variablenauswahl betrifft, leisten PLS und die Tree-Methoden ziemlich gute Arbeit. Wenn Sie Zugriff auf JMP Pro haben, gibt es einige andere sehr gute Optionen, die die generalisierte Regression verwenden.
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortHallo Byron_JMP, vielen Dank, dass du mich in die richtige Richtung gewiesen hast!
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortDanke Julian für deine Hilfe! Ihre Einsicht ist sehr hilfreich bei der Diagnose meiner Situation. Ich werde versuchen, auch partielle kleinste Quadrate und Variablenauswahl zu verwenden. Danke schön!Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortHallo Statman, danke für deine Hilfe! Die 86 Komponenten sind Eingabevariablen, entschuldigen Sie die Verwirrung. Ich werde versuchen, die wichtigsten zu überprüfen, um zu sehen, ob das das Problem lindern wird – sehr zu schätzen!Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortDanke markbailey für deine Antwort! Idealerweise wären die 86 Effekte nötig. Ich werde versuchen, die Skala anzupassen, danke für den Tipp. Ich schätze den Rat!Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortIch mag @julianisch 's Antwort, das ist ein guter Weg zu gehen.
Ich würde wahrscheinlich Analysieren>Screening>Prädiktor-Screening verwenden, um die Liste der guten Kandidatenparameter einzugrenzen. Bei nur wenigen Datenzeilen wäre es wahrscheinlich eine gute Idee, diese Plattform mehrmals auszuführen, um zu sehen, ob Sie einen stabilen Satz von Prädiktoren erhalten. Wenn die Antwort hauptsächlich aus Rauschen besteht, ist der Satz von Prädiktoren von Lauf zu Lauf ziemlich zufällig.
Alternativ ist die Partitionsplattform (jeweils ein Baum) eine gute Möglichkeit, die wichtigsten Treiber Ihrer Reaktion in den Griff zu bekommen.
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortHallo @ Jonred ,
Anscheinend sehen Sie im Vorhersage-Profiler nicht die erwarteten Ergebnisse, weil Sie ein Modell mit mehr zu schätzenden Parametern als verfügbaren Freiheitsgraden haben. Der Abschnitt „Singularitätsdetails“ oben in Ihrem Anpassungsmodellbericht ist ein Hinweis darauf.
Mit anderen Worten, um ein beliebig komplexes Modell anzupassen (Schätzungen für den Effekt von 86 Variablen plus den Modellabschnitt), benötigen Sie mehr als 15 Datenzeilen.
Eine Alternative besteht darin, ein Modell zu verwenden, das weniger Daten als die Anzahl der Variablen, die Sie verwenden möchten, toleriert (z Partielle kleinste Quadrate ) oder eine Variablenauswahl durchzuführen, um den Variablensatz für X zu reduzieren.
Ich hoffe das hilft!
@julianisch
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortEntschuldigung, ich bin durch deinen Beitrag etwas verwirrt. Sind die 86 Komponenten Eingabevariablen (x) oder Antwortvariablen (y)?
"86 Komponenten über ihre Wirkung für 1 Antwort "IVCC"" schlagen vor, dass sie x sind, aber " 1 Antwort ist IVCC und 86 Antworten reichen von …“, legt nahe, dass es sich um Y handelt. Wenn Sie so viele Ys haben, würde ich zuerst nachsehen, welche korrelieren (Multivariate Methoden> Multivariate). Wenn es sich um x handelt, würde ich basierend auf dem Prinzip der Knappheit von Effekten zuerst die 86 Komponenten überprüfen, um festzustellen, welche am wichtigsten sind (und dies sind nur die 1 Auftragseffekte?). Es gibt viele Möglichkeiten, dies zu tun (ich würde mit Hypothesen beginnen). Sobald Sie die wesentlichen Faktoren identifiziert haben, ist Ihre Vorhersageformel hilfreich. Ich würde denken, es wäre praktisch unmöglich, 86 Variablen gleichzeitig zu steuern / zu verwalten (denken Sie an die damit verbundenen Messfehler für jedes x).
Betreff: Fit Model Prediction Profiler für 86 Effekte bei 1 AntwortDer Vorhersageprofiler ist am nützlichsten, nachdem Sie ein Modell ausgewählt haben. Sind 86 Features für das Modell notwendig?
Auch der Algorithmus zum automatischen Skalieren der Antwortachse ist sehr gut, aber nicht narrensicher. Möglicherweise müssen Sie den Maßstab ändern, um die Profile anzuzeigen, insbesondere nach Maximierung der Erwünschtheit.
