Ri: Identificazione di variabili importanti nei datiCiao,
Ho trovato questo video piuttosto interessante e utile! Grazie per questo!
Vorrei capire meglio quanto segue: tutti i passaggi legati all'identificazione e alla valutazione delle interazioni (con lo screening della risposta e gli strumenti di regressione graduale) si basano su un'ipotesi lineare - è corretto? Se sì, c'è qualche suggerimento per verificare le interazioni non lineari?
Grazie in anticipo!
Helena
Ri: Identificazione di variabili importanti nei datiBel set di dati e presentazione. Lo userò! Grazie Nick
Re: Identificazione di variabili importanti nei tuoi datiottima panoramica di piattaforme usate raramente ma incredibilmente potenti che tutti dovrebbero avere nella propria cassetta degli attrezzi
Re: Identificazione di variabili importanti nei tuoi datiCiao @HelenaG , sono felice che il video ti sia piaciuto!
L'identificazione delle interazioni viene eseguita al meglio attraverso competenze di dominio e una conoscenza scientifica/fisica nota delle variabili in analisi.
Quando le interazioni tra le variabili non sono ben comprese, la personalità del modello "Response Screening" in Fit Model funziona bene per quantificare la forza tra i singoli termini di interazione e la variabile di risposta.
La personalità del modello "Stepwise Regression" in Fit Model funziona bene per identificare la migliore combinazione di termini (es: effetti principali, interazioni..) da utilizzare per un potenziale modello.
Il termine modello "lineare" si riferisce a come è strutturata la formula del modello, ma sia le personalità del modello "Screening della risposta" che "Regressione graduale" in Stima modello possono essere utilizzate anche per esplorare le relazioni non lineari.
Possiamo includere effetti e interazioni non lineari in un'analisi aggiungendo termini polinomiali.
In Stima modello puoi esplorare qualsiasi relazione polinomiale (non lineare) aggiungendo il termine corrispondente nella casella Effetti modello (Es: Relazione quadratica (x1*x1), Relazione cubica (x1*x1*x1), Interazione quadratica (x1* x1*x2)...)
Per ulteriori informazioni sui polinomi e su come possono aiutare a comprendere le relazioni tra le variabili, guarda il breve video qui sotto:
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
Re: Identificazione di variabili importanti nei tuoi datiCiao di nuovo @nick_shelton ,
A causa di questo tutorial, ora sto usando Screening Platform e vorrei chiederti quali sono le impostazioni di Bootstrap Forest dietro la Screening Predictor Platform standard. In JMP Pro, c'è un Bootstrap Forest Specification Window, e la mia domanda è quali sono le specifiche per il bootstrap utilizzato nella piattaforma di screening (possiamo solo definire il numero di alberi). In quanto non statistico, l'utilizzo di Predictor Screening mi sembra meno rischioso rispetto all'utilizzo della piattaforma JMP Pro Bootstrap; tuttavia, per i rapporti scientifici, avrei bisogno di ulteriori informazioni sulle specifiche della foresta bootstrap alla base di questa piattaforma JMP.
Grazie mille in anticipo.
Elena G.
Re: Identificazione di variabili importanti nei tuoi datiCiao @HelenaG
Sono felice di sapere che hai applicato questi concetti nel tuo lavoro 
La principale differenza tra Predictor Screening (PS) e Bootstrap Forest (BSF) in JMP Pro è che BSF fornisce opzioni per controllare tutti gli iperparametri che influiscono sui risultati dell'analisi.
Come hai già notato, PS consente solo la regolazione del parametro "numero di alberi".
Per maggiori dettagli relativi alle impostazioni degli iperparametri predefinite utilizzate in PS, inoltra la tua domanda a support@jmp.com che può fornire alcune informazioni aggiuntive su come funziona il metodo.
Identificazione di variabili importanti nei dati
Vedi come:
- Trova fattori importanti nei dati di grandi dimensioni utilizzando lo screening della risposta
- Esaminare FDR PValue Plot, FDR LogWorth per dimensione effetto, FDR LogWorth per RSquare
- Identificare variabili importanti utilizzando Predictor Screening, un metodo basato su un albero decisionale per lo screening di molti predittori per la loro capacità di prevedere un risultato
- Identificare variabili importanti uniche utilizzando il clustering di variabili per raggruppare variabili simili in gruppi rappresentativi
- Comprendere ed esaminare come ogni cluster può essere rappresentato da un singolo componente o variabile per eliminare la multicollinearità tra le variabili
- Interpretare la mappa dei colori su correlazioni, riepilogo cluster, membri cluster e rapporti sui componenti standard
- Identificare le interazioni tra fattori unici e importanti utilizzando il modello di adattamento - Screening della risposta
- Interpretare i rapporti FDR PValue Plot e FDR LogWorth per Rank Fraction utilizzando Graph Builder
- Identificare il miglior sottoinsieme di variabili e interazioni per costruire modelli di regressione
- Raggruppa variabili simili in gruppi rappresentativi
- Interpretare i rapporti sulle stime e il controllo della regressione graduale
Screening della risposta per aiutare a identificare variabili importanti
Il diario JMP allegato dovrebbe funzionare per tutti.File di progetto Il file .zip include un archivio di progetto JMP 15 che richiede la decompressione per funzionare con JMP 15 o versioni successive.Vedere Documentazione dell'archivio JMP per chiedere aiuto dopo aver decompresso il file.
Esplorazione e visualizzazione dei dati
