In vielen Situationen ist beides einen Versuch wert. Lasso ist gut darin, Informationen für interessierende Faktoren zu liefern, wenn man individuelle Parameterschätzungen mit einer gewissen Verzerrung benötigt, die Lasso enthält, weil es a ist Penalisierte Regressionstechnik , versucht, bessere Modelle anzupassen, indem die Modellkoeffizienten gegen Null verkleinert werden, und die resultierenden Schätzungen sind verzerrt. Lasso ist besonders nützlich für große Datenmengen, bei denen Kollinearität typischerweise ein Problem darstellt und f oder kleine Datensätze mit geringer Korrelation, einschließlich geplanter Experimente. Lasso kann verwendet werden, um bessere Vorhersagemodelle zu erhalten oder Variablen für die Modellreduktion oder für zukünftige Studien auszuwählen.
Ziehen Sie im Zweifelsfall in Betracht, eine Reihe von Modellen zu erstellen und den in JMP Pro verfügbaren Modellvergleich zu verwenden, um die Modelle zu vergleichen.
