Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video zeigen wir, wie man lineare Modelle mit generalisierter Regression anpasst. Wir verwenden die Daten der chemischen Herstellung und passen ein Modell der kleinsten Quadrate für die kontinuierliche Antwort, Yield, an. Dann passen wir ein logistisches Regressionsmodell für die kategoriale Antwort Leistung an.
Zuerst passen wir ein lineares Regressionsmodell für Yield an.
Dazu wählen wir im Menü „Analysieren“ die Option „Modell anpassen“. Wir wählen Yield für die Y-Rolle und wählen beide Sätze von Prädiktoren als Modelleffekte aus.
Dann wählen wir Generalized Regression aus dem Menü für Personality.
Da wir eine kontinuierliche Antwort haben, ist die Standardantwortverteilung normal. Sie können jedoch sehen, dass Sie mehrere unterschiedliche Antwortverteilungen modellieren können.
Wir führen dieses Modell mit der Normalverteilung aus.
Sie können sehen, dass wir ein standardmäßiges Regressionsmodell der kleinsten Quadrate angepasst haben. Die Modellzusammenfassungstabelle enthält einige vertraute Statistiken wie RSquare und RMSE. Es meldet auch fortgeschrittenere Statistiken, die für die statistische Modellierung verwendet werden, wie BIC (das Bayes'sche Informationskriterium), AICc (das korrigierte Akaike-Informationskriterium) und die negative LogLikelihood.
Im oberen Bereich sehen Sie Begriffe wie „Link“ und „Identität“.
Wir haben ein sogenanntes verallgemeinertes lineares Modell erstellt. Diese Begriffe werden verwendet, um zu beschreiben, wie das Modell erstellt wurde.
In der Effekttest-Tabelle unten sehen Sie die bekannten Signifikanztests und p-Werte für die einzelnen Terme im Modell. Einige der Begriffe sind signifikant.
Sie sehen auch eine Parameterschätzungstabelle. Dies meldet die Koeffizienten im linearen Modell.
Bei der generalisierten Regression wird die 0/1-Indikatorkodierung für kategoriale Prädiktoren verwendet.
Für das Modell stehen mehrere rote Dreiecksoptionen zur Verfügung. Da wir eine kontinuierliche Antwort haben, können Sie dieses Menü verwenden, um auf Profiler, Residuendiagramme und Optionen zum Speichern von Spalten in der Datentabelle zuzugreifen.
Was ist, wenn wir die kategoriale Reaktion Leistung anstelle der kontinuierlichen Reaktion modellieren möchten?
Wir wählen den Modelldialog aus dem oberen roten Dreieck und ändern die Reaktion von Ertrag auf Leistung.
Sie können sehen, dass die Antwortverteilung jetzt binomial ist. Für die Zielebene ändern wir dies in Ablehnen und klicken auf Ausführen.
Jetzt können Sie sehen, dass JMP ein logistisches Regressionsmodell angepasst hat.
In der Tabelle „Modellzusammenfassung“ können Sie die Schätzmethode, die Antwortverteilung und andere Informationen sehen.
Aber alle anderen Ausgaben sehen gleich aus.
Das heißt, JMP meldet die gleichen Anpassungsmaße in der Modellzusammenfassungstabelle sowie Wirkungstests und Parameterschätzungen.
Sie können sehen, dass keiner der Begriffe signifikante Prädiktoren für die Leistung sind. Mit nur 90 Beobachtungen haben wir nicht viele Daten für dieses Modell.
Schauen wir uns die roten Dreiecksoptionen für das Modell an. Da wir ein logistisches Modell anpassen, können Sie Optionen wie die Konfusionsmatrix, ROC-Kurven und Liftkurven aktivieren.
Sie können sehen, dass die verallgemeinerte Regression einen Rahmen bietet, um eine Vielzahl unterschiedlicher Antwortverteilungen anzupassen und zu untersuchen.
