Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video, mostriamo come adattare i modelli lineari utilizzando la regressione generalizzata. Utilizziamo i dati della produzione chimica e adattiamo un modello dei minimi quadrati per la risposta continua, Rendimento. Quindi adattiamo un modello di regressione logistica per la risposta categoriale, Performance.
Innanzitutto, adattiamo un modello di regressione lineare per Yield.
Per fare ciò, selezioniamo Fit Model dal menu Analizza. Selezioniamo Rendimento per il ruolo Y e selezioniamo entrambi gli insiemi di predittori come effetti del modello.
Quindi selezioniamo Regressione generalizzata dal menu per Personalità.
Poiché abbiamo una risposta continua, la distribuzione della risposta predefinita è normale. Tuttavia, puoi vedere che puoi modellare diverse distribuzioni di risposta diverse.
Eseguiremo questo modello con la distribuzione normale.
Puoi vedere che abbiamo adattato un modello di regressione dei minimi quadrati standard. La tabella Riepilogo modello fornisce alcune statistiche familiari, come RSquare e RMSE. Riporta anche statistiche più avanzate utilizzate per la modellazione statistica, come BIC (il criterio di informazione bayesiano), AICc (il criterio di informazione Akaike corretto) e il LogLikelihood negativo.
Nella sezione superiore, vedi termini come "Link" e "Identità".
Abbiamo costruito quello che è noto come un modello lineare generalizzato. Questi termini sono usati per descrivere come è stato costruito il modello.
Nella tabella Test degli effetti in basso, puoi vedere i familiari test di significatività e p-value per i singoli termini nel modello. Molti dei termini sono significativi.
Viene visualizzata anche una tabella delle stime dei parametri. Questo riporta i coefficienti nel modello lineare.
Nella regressione generalizzata, la codifica dell'indicatore 0/1 viene utilizzata per i predittori categoriali.
Sono disponibili diverse opzioni di triangolo rosso per il modello. Poiché abbiamo una risposta continua, puoi utilizzare questo menu per accedere a profiler, grafici residui e opzioni per salvare le colonne nella tabella dei dati.
E se volessimo modellare la risposta categoriale, Performance, invece della risposta continua?
Selezioneremo la finestra di dialogo del modello dal triangolo rosso in alto e cambieremo la risposta da Rendimento a Prestazione.
Puoi vedere che la distribuzione della risposta è ora Binomiale. Per il livello di destinazione, lo cambieremo in Rifiuta e faremo clic su Esegui.
Ora puoi vedere che JMP ha adattato un modello di regressione logistica.
Nella tabella Riepilogo modello è possibile visualizzare il metodo di stima, la distribuzione della risposta e altre informazioni.
Ma tutto l'altro output sembra lo stesso.
Cioè, JMP riporta le stesse misure di adattamento nella tabella Riepilogo modello e riporta i test degli effetti e le stime dei parametri.
Puoi vedere che nessuno dei termini è un predittore significativo della performance. Con solo 90 osservazioni, non abbiamo molti dati per adattarsi a questo modello.
Diamo un'occhiata alle opzioni del triangolo rosso per il modello. Poiché adattiamo un modello logistico, puoi attivare opzioni come la matrice di confusione, le curve ROC e le curve di sollevamento.
Puoi vedere che la regressione generalizzata fornisce un framework per adattarsi ed esplorare una varietà di diverse distribuzioni di risposta.
