무료 온라인 과정에서 자세히 알아보십시오.
산업 문제 해결을 위한 통계적 사고
이 비디오에서는 일반화 회귀를 사용하여 선형 모델을 피팅하는 방법을 보여줍니다. 우리는 Chemical Manufacturing 데이터를 사용하고 연속 응답에 대한 최소 제곱 모델을 적합합니다. Yield. 그런 다음 범주형 응답 성능에 대한 로지스틱 회귀 모델을 적합합니다.
먼저 Yield에 대한 선형 회귀 모델을 적합합니다.
이를 위해 Analyze 메뉴에서 Fit Model을 선택합니다. Y 역할에 대해 Yield를 선택하고 두 예측 변수 집합을 모델 효과로 선택합니다.
그런 다음 Personality 메뉴에서 Generalized Regression을 선택합니다.
연속 응답이 있으므로 기본 응답 분포는 정규입니다. 그러나 여러 다른 응답 분포를 모델링할 수 있음을 알 수 있습니다.
이 모델을 정규 분포로 실행할 것입니다.
표준 최소 자승 회귀 모델에 적합했음을 알 수 있습니다. 모델 요약 테이블은 RSquare 및 RMSE와 같은 몇 가지 친숙한 통계를 제공합니다. 또한 BIC(Bayesian Information Criterion), AICc(수정된 Akaike 정보 기준) 및 음수 LogLikelihood와 같은 통계 모델링에 사용되는 고급 통계를 보고합니다.
상단 섹션에는 "링크" 및 "ID"와 같은 용어가 표시됩니다.
우리는 일반화된 선형 모델로 알려진 것을 구축했습니다. 이러한 용어는 모델이 구축된 방법을 설명하는 데 사용됩니다.
하단의 효과 검정 표에서 모형의 개별 항에 대한 친숙한 유의성 검정과 p-값을 볼 수 있습니다. 몇 가지 용어가 중요합니다.
Parameter Estimates 테이블도 표시됩니다. 선형 모델의 계수를 보고합니다.
일반화 회귀에서 0/1 지표 코딩은 범주형 예측 변수에 사용됩니다.
모델에 사용할 수 있는 몇 가지 빨간색 삼각형 옵션이 있습니다. 연속 응답이 있으므로 이 메뉴를 사용하여 프로파일러, 잔차 도표 및 데이터 테이블에 열을 저장하는 옵션에 액세스할 수 있습니다.
연속 응답 대신 범주형 응답 성능을 모델링하려면 어떻게 해야 합니까?
상단의 빨간색 삼각형에서 Model Dialog를 선택하고 Yield에서 Performance로 응답을 변경합니다.
이제 응답 분포가 이항임을 알 수 있습니다. 대상 수준의 경우 이를 거부로 변경하고 실행을 클릭합니다.
이제 JMP가 로지스틱 회귀 모델에 적합함을 알 수 있습니다.
모형 요약 테이블에서 추정 방법, 응답 분포 및 기타 정보를 볼 수 있습니다.
그러나 다른 모든 출력은 동일하게 보입니다.
즉, JMP는 모형 요약 테이블에 동일한 적합도 측정값을 보고하고 효과 검정 및 매개변수 추정값을 보고합니다.
어떤 용어도 성능에 대한 중요한 예측 변수가 아님을 알 수 있습니다. 90개의 관측값으로 이 모델에 맞는 데이터가 많지 않습니다.
모델의 빨간색 삼각형 옵션을 살펴보겠습니다. 우리는 로지스틱 모델에 적합하기 때문에 혼동 행렬, ROC 곡선 및 리프트 곡선과 같은 옵션을 켤 수 있습니다.
일반화 회귀가 다양한 다양한 응답 분포에 적합하고 탐색할 수 있는 하나의 프레임워크를 제공한다는 것을 알 수 있습니다.
