Fit Model Prediction Profiler per 86 effetti su 1 rispostaCiao a tutti, sto cercando di generare un profiler di previsione per 86 componenti sul suo effetto per 1 risposta "IVCC". Ho utilizzato lo strumento Adatta modello nel menu Analizza, con 1 risposta IVCC e 86 risposte che vanno da "Glycine" a "Vitamin D12" nel file. Il profiler di previsione risultante e la massimizzazione per la desiderabilità nella finestra Analisi sono in grado di generare valori per la risposta prevista, ma non vengono generate curve di previsione. Qualcuno avrebbe idee su come analizzare meglio questi dati? Il mio obiettivo finale è determinare il valore per ciascuno degli 86 componenti che massimizza "IVCC". Grazie!
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaGrande conversazione.
Sono d'accordo con Giuliano. Generalized Regression Techniques (link sotto) affronta le sfide relative ai set di dati che includono più variabili che osservazioni.
( https://www.jmp.com/support/help/14-2/generalized-regression.shtml )
Due di queste tecniche, Lazo e Elastic Net, eseguono la selezione delle variabili come parte della procedura di modellazione disponibile in JMP Pro.
Ti auguro un felice Generalizzato Regressione con JMP Pro
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaPer quanto riguarda i metodi per la selezione delle variabili, i metodi PLS e Tree fanno un buon lavoro. Se ti capita di avere accesso a JMP Pro, ci sono altre ottime opzioni che utilizzano la regressione generalizzata.
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaCiao Byron_JMP grazie mille per avermi indicato la giusta direzione!
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaGrazie giuliano per il tuo aiuto! La tua intuizione è molto utile per diagnosticare la mia situazione. Cercherò di utilizzare anche i minimi quadrati parziali e la selezione delle variabili. Grazie!Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaCiao statman, grazie per il tuo aiuto! Gli 86 componenti sono variabili di input, scusate la confusione. Proverò a esaminare i più importanti per vedere se questo allevierà il problema - molto apprezzato!Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaGrazie markbailey per la tua risposta! Idealmente gli 86 effetti sarebbero necessari. Cercherò di regolare la scala, grazie per il suggerimento. Apprezzo il consiglio!Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostami piace @giuliano 's risposta, questo è un buon modo per andare.
Probabilmente userei Analizza> Screening> Screening predittore per restringere l'elenco dei buoni parametri candidati. Con solo poche righe di dati, sarebbe probabilmente una buona idea eseguire questa piattaforma più volte per vedere se si ottiene un set stabile di predittori. Quando la risposta è principalmente rumore, l'insieme di predittori sarà abbastanza casuale da un'esecuzione all'altra.
In alternativa, la piattaforma di partizione (un albero alla volta) è un buon modo per ottenere un controllo anche sui driver chiave della tua risposta.
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaCIAO @jonred ,
Sembra che tu non stia vedendo i risultati che ti aspetti nel profiler di previsione perché hai un modello con più parametri da stimare rispetto ai gradi di libertà disponibili. La sezione "Dettagli sulla singolarità" nella parte superiore del rapporto sul modello di adattamento ne è un'indicazione.
In altre parole, per adattare un modello complesso quanto vuoi (stime per l'effetto di 86 variabili, più l'intercetta del modello) avrai bisogno di più di 15 righe di dati.
Un'alternativa consiste nell'utilizzare un modello che tollera di avere meno dati rispetto al numero di variabili che si desidera utilizzare (come Minimi quadrati parziali ), o per eseguire la selezione delle variabili per ridurre l'insieme di variabili per X.
Spero che aiuti!
@giuliano
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaScusa se sono un po' confuso dal tuo post. Gli 86 componenti sono variabili di input (x) o sono variabili di risposta (y)?
"86 componenti sul suo effetto per 1 risposta "IVCC"" suggeriscono che siano x, ma " 1 risposta è IVCC e 86 risposte che vanno..." suggerisce che siano Y. Se hai così tante Y, cercherei prima di vedere quali sono correlate (Metodi multivariati> Multivariato). Se sono x, in base al principio della scarsità di effetti, per prima cosa esaminerei gli 86 componenti per determinare quali sono i più importanti (e questi sono solo i primi effetti d'ordine?). Ci sono molti modi per farlo (comincerei con delle ipotesi). Una volta identificati i fattori significativi, la tua formula di previsione sarà utile. Penserei che sarebbe praticamente impossibile controllare/gestire 86 variabili contemporaneamente (si pensi agli errori di misurazione associati per ogni x).
Re: Fit Model Prediction Profiler per 86 effetti su 1 rispostaIl profiler di previsione è molto utile dopo aver selezionato un modello. Sono necessarie 86 caratteristiche per il modello?
Inoltre, l'algoritmo per ridimensionare automaticamente l'asse di risposta è molto buono ma non è infallibile. Potrebbe essere necessario modificare la scala per vedere i profili, soprattutto dopo aver massimizzato la desiderabilità.
