Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous montrons comment ajuster des modèles linéaires à l'aide de la régression généralisée. Nous utilisons les données de fabrication de produits chimiques et ajustons un modèle des moindres carrés pour la réponse continue, Rendement. Ensuite, nous ajustons un modèle de régression logistique pour la réponse catégorielle, Performance.
Tout d'abord, nous ajustons un modèle de régression linéaire pour le rendement.
Pour ce faire, nous sélectionnons Ajuster le modèle dans le menu Analyser. Nous sélectionnons Yield pour le rôle Y et sélectionnons les deux ensembles de prédicteurs comme effets de modèle.
Ensuite, nous sélectionnons Régression généralisée dans le menu Personnalité.
Parce que nous avons une réponse continue, la distribution de réponse par défaut est normale. Cependant, vous pouvez voir que vous pouvez modéliser plusieurs distributions de réponses différentes.
Nous allons exécuter ce modèle avec la distribution normale.
Vous pouvez voir que nous avons ajusté un modèle de régression standard des moindres carrés. Le tableau récapitulatif du modèle fournit des statistiques familières, telles que RSquare et RMSE. Il rapporte également des statistiques plus avancées qui sont utilisées pour la modélisation statistique, telles que BIC (le critère d'information bayésien), AICc (le critère d'information d'Akaike corrigé) et le LogLikelihood négatif.
Dans la section supérieure, vous voyez des termes tels que "Lien" et "Identité".
Nous avons construit ce que l'on appelle un modèle linéaire généralisé. Ces termes sont utilisés pour décrire comment le modèle a été construit.
Dans le tableau des tests d'effets en bas, vous voyez les tests de signification et les valeurs de p familiers pour les termes individuels du modèle. Plusieurs termes sont significatifs.
Vous voyez également un tableau Estimations des paramètres. Cela rapporte les coefficients dans le modèle linéaire.
Dans la régression généralisée, le codage d'indicateur 0/1 est utilisé pour les prédicteurs catégoriels.
Plusieurs options de triangle rouge sont disponibles pour le modèle. Étant donné que nous avons une réponse continue, vous pouvez utiliser ce menu pour accéder aux profileurs, aux tracés résiduels et aux options d'enregistrement des colonnes dans la table de données.
Et si nous voulions modéliser la réponse catégorique, Performance, au lieu de la réponse continue ?
Nous allons sélectionner Model Dialog dans le triangle rouge supérieur et changer la réponse de Yield à Performance.
Vous pouvez voir que la distribution des réponses est maintenant binomiale. Pour le niveau cible, nous allons le remplacer par Rejeter, puis cliquer sur Exécuter.
Vous pouvez maintenant constater que JMP a ajusté un modèle de régression logistique.
Dans le tableau Résumé du modèle, vous pouvez voir la méthode d'estimation, la distribution des réponses et d'autres informations.
Mais toutes les autres sorties se ressemblent.
Autrement dit, JMP rapporte les mêmes mesures d'ajustement dans le tableau récapitulatif du modèle, et il rapporte les tests d'effets et les estimations de paramètres.
Vous pouvez voir qu'aucun des termes n'est un prédicteur significatif de la performance. Avec seulement 90 observations, nous n'avons pas beaucoup de données pour ajuster ce modèle.
Examinons les options du triangle rouge pour le modèle. Parce que nous adaptons un modèle logistique, vous pouvez activer des options telles que la matrice de confusion, les courbes ROC et les courbes de levage.
Vous pouvez voir que la régression généralisée fournit un cadre pour ajuster et explorer une variété de distributions de réponses différentes.
