1개의 응답에 대한 86가지 효과에 대한 적합 모델 예측 프로파일러안녕하세요 여러분, 1개의 응답 "IVCC"에 대한 효과에 대해 86개 구성 요소에 대한 예측 프로파일러를 생성하려고 합니다. 저는 Analyze 메뉴에서 Fit Model 도구를 사용했는데, 1개의 응답은 IVCC이고 "Glycine"에서 "Vitamin D12"에 이르는 86개의 응답이 파일에 있습니다. 결과 예측 프로파일러 및 분석 창의 바람직함 최대화는 예측 응답에 대한 값을 출력할 수 있지만 예측 곡선은 생성되지 않습니다. 이 데이터를 더 잘 분석하는 방법에 대한 아이디어가 있는 사람이 있습니까? 나의 궁극적인 목표는 "IVCC"를 최대화하는 86개 구성 요소 각각의 가치를 결정하는 것입니다. 감사합니다!
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합훌륭한 대화.
줄리안에 동의합니다. 일반화 회귀 기법(아래 링크)은 관찰보다 더 많은 변수를 포함하는 데이터 세트와 관련된 문제를 해결합니다.
( https://www.jmp.com/support/help/14-2/generalized-regression.shtml )
이러한 기술 중 두 가지인 Lasso와 Elastic Net은 JMP Pro에서 사용할 수 있는 모델링 절차의 일부로 변수 선택을 수행합니다.
당신에게 행복을 기원합니다 일반화 JMP Pro를 사용한 회귀
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합변수 선택 방법에 관한 한 PLS 및 트리 방법은 꽤 잘 작동합니다. JMP Pro에 액세스할 수 있는 기회가 있다면 일반화된 회귀를 사용하는 아주 좋은 다른 옵션이 있습니다.
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합안녕하세요 Byron_JMP 저를 올바른 방향으로 안내해주셔서 정말 감사합니다!
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합도움을 주신 julian 님 감사합니다! 당신의 통찰력은 내 상황을 진단하는 데 큰 도움이 됩니다. Partial Least Squares와 변수 선택도 사용하려고 합니다. 감사합니다!Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합안녕 statman, 당신의 도움을 주셔서 감사합니다! 86개의 구성 요소는 입력 변수이므로 혼동을 드려 죄송합니다. 가장 중요한 항목을 선별하여 문제를 완화할 수 있는지 확인하겠습니다. 대단히 감사합니다!Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합답장을 보내 주셔서 감사합니다. 이상적으로는 86개의 효과가 필요합니다. 팁을 주셔서 감사합니다. 나는 조언을 주셔서 감사합니다!Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합좋아요 @줄리안 님의 대답은 좋은 방법입니다.
좋은 후보 매개변수 목록의 범위를 좁히기 위해 Analyze>Screening>Predictor Screening을 사용할 것입니다. 몇 개의 데이터 행만 있는 경우 이 플랫폼을 여러 번 실행하여 안정적인 예측 변수 세트를 얻는지 확인하는 것이 좋습니다. 응답이 대부분 노이즈인 경우 예측 변수 집합은 실행마다 매우 무작위적입니다.
또는 파티션 플랫폼(한 번에 하나의 트리)은 응답의 주요 동인을 처리할 수 있는 좋은 방법입니다.
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합안녕 @존레드 ,
사용 가능한 자유도보다 추정할 매개변수가 더 많은 모델이 있기 때문에 예측 프로파일러에서 예상한 결과가 표시되지 않는 것 같습니다. 적합 모델 보고서 상단의 "특이점 세부 정보" 섹션은 이를 나타냅니다.
즉, 모델을 원하는 만큼 복잡하게 맞추려면(86개의 변수와 모델 절편의 효과에 대한 추정치) 15개 이상의 데이터 행이 필요합니다.
대안은 사용하려는 변수의 수보다 적은 데이터를 허용하는 모델을 사용하는 것입니다(예: 부분 최소제곱 ), 또는 변수 선택을 수행하여 X에 대한 변수 집합을 줄입니다.
이게 도움이 되길 바란다!
@줄리안
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합죄송합니다. 귀하의 게시물이 약간 혼란 스럽습니다. 86개의 구성 요소가 입력 변수(x)입니까 아니면 응답 변수(y)입니까?
"1개의 응답 "IVCC"에 대한 효과에 대한 86개 구성 요소" 그들이 x라고 제안하지만 " 1개의 응답은 IVCC이고 86개의 응답 범위는..."은 그들이 Y임을 시사합니다. Y가 그렇게 많다면 어떤 것이 상관관계가 있는지 먼저 살펴보겠습니다(다변량 방법>다변량). 효과의 희소성 원칙에 따라 x인 경우 먼저 86개 구성 요소를 선별하여 가장 중요한 구성 요소를 결정합니다. 주문 효과?). 이를 수행하는 방법에는 여러 가지가 있습니다(가설부터 시작하겠습니다). 중요한 요소를 식별한 후에는 예측 공식이 유용할 것입니다. 86개의 변수를 동시에 제어/관리하는 것은 사실상 불가능하다고 생각합니다(각 x에 대한 관련 측정 오류를 생각해 보십시오).
Re: 1개의 응답에 대한 86가지 효과에 대한 모델 예측 프로파일러 적합예측 프로파일러는 모델을 선택한 후에 가장 유용합니다. 모델에 86개의 기능이 필요한가요?
또한 응답축을 자동으로 스케일링하는 알고리즘은 매우 훌륭하지만 오류가 없는 것은 아닙니다. 특히 선호도를 최대화한 후에 프로필을 보려면 척도를 변경해야 할 수 있습니다.
