Betreff: Identifizieren wichtiger Variablen in Ihren DatenHallo,
Ich fand dieses Video sehr interessant und hilfreich! Danke für das!
Ich möchte Folgendes besser verstehen: Alle Schritte, die mit der Identifizierung und Bewertung von Interaktionen verbunden sind (mit Antwort-Screening und schrittweisen Regressionswerkzeugen), basieren auf einer linearen Annahme - ist dies richtig? Wenn ja, gibt es einen Vorschlag, nach nichtlinearen Wechselwirkungen zu suchen?
Danke im Voraus!
Helena
Betreff: Identifizieren wichtiger Variablen in Ihren DatenSchöner Datensatz und Präsentation. Ich werde es benutzen ! Danke Nick
Betreff: Identifizieren wichtiger Variablen in Ihren Datentolle Übersicht über selten genutzte, aber unglaublich mächtige Plattformen, die jeder in seinem Werkzeugkoffer haben sollte
Betreff: Identifizieren wichtiger Variablen in Ihren DatenHallo @HelenaG , freut mich, dass dir das Video gefallen hat!
Die Identifizierung von Wechselwirkungen erfolgt am besten durch Fachkenntnisse und ein bekanntes wissenschaftliches/physikalisches Verständnis der zu analysierenden Variablen.
Wenn Interaktionen zwischen Variablen nicht gut verstanden werden, funktioniert die Persönlichkeit des "Response Screening"-Modells im Fit-Modell gut bei der Quantifizierung der Stärke zwischen einzelnen Interaktionstermen und der Antwortvariablen.
Die Modellpersönlichkeit "Stufenweise Regression" im Fit-Modell funktioniert gut bei der Identifizierung der besten Kombination von Begriffen (z. B. Haupteffekte, Interaktionen...) für ein potenzielles Modell.
Der Begriff "lineares" Modell bezieht sich darauf, wie die Formel des Modells strukturiert ist, aber sowohl die Modellpersönlichkeiten "Response Screening" als auch "Stepwise Regression" im Fit-Modell können auch verwendet werden, um nichtlineare Beziehungen zu untersuchen.
Wir können nichtlineare Effekte und Wechselwirkungen in eine Analyse einbeziehen, indem wir Polynomterme hinzufügen.
In Modell anpassen können Sie beliebige polynomielle Beziehungen (nichtlinear) untersuchen, indem Sie den entsprechenden Term in das Feld Modelleffekte hinzufügen (Beispiel: Quadratische Beziehung (x1*x1), Kubische Beziehung (x1*x1*x1), Quadratische Interaktion (x1* x1*x2)...)
Für weitere Informationen zu Polynomen und wie sie beim Verständnis der Beziehungen zwischen Variablen helfen können, sehen Sie sich das folgende kurze Video an:
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
Betreff: Identifizieren wichtiger Variablen in Ihren DatenHallo wieder @nick_shelton ,
Aufgrund dieses Tutorials verwende ich jetzt die Screening Platform und möchte Sie fragen, welche Einstellungen von Bootstrap Forest hinter der standardmäßigen Screening Predictor Platform stehen. In JMP Pro gibt es ein Bootstrap Forest Specification Window, und meine Frage ist, was sind die Spezifikationen für den Bootstrap, der in der Screening-Plattform verwendet wird (wir können nur die Anzahl der Bäume definieren). Als Nicht-Statistiker klingt die Verwendung von Predictor Screening für mich weniger riskant als die Verwendung der JMP Pro Bootstrap Platform; Für die wissenschaftliche Berichterstattung benötige ich jedoch weitere Informationen zu den Bootstrap Forest-Spezifikationen hinter dieser JMP-Plattform.
Vielen Dank im Voraus.
Helena G.
Betreff: Identifizieren wichtiger Variablen in Ihren DatenHi @HelenaG
Ich freue mich zu hören, dass Sie diese Konzepte in Ihrer Arbeit anwenden 
Der Hauptunterschied zwischen Predictor Screening (PS) und Bootstrap Forest (BSF) in JMP Pro besteht darin, dass BSF Optionen zur Steuerung aller Hyperparameter bietet, die die Ergebnisse der Analyse beeinflussen.
Wie Sie bereits bemerkt haben, erlaubt PS nur die Einstellung des Parameters "Anzahl der Bäume".
Für weitere Details zu den in PS verwendeten Standard-Hyperparametereinstellungen senden Sie Ihre Frage bitte an support@jmp.com Dies kann einige zusätzliche Einblicke in die Funktionsweise der Methode liefern.
Identifizieren wichtiger Variablen in Ihren Daten
Sehen Sie, wie Sie:
- Finden Sie wichtige Faktoren in großen Datenmengen mit Response Screening
- Untersuchen Sie FDR PValue Plot, FDR LogWorth nach Effektgröße, FDR LogWorth nach RSquare
- Identifizieren Sie wichtige Variablen mit Predictor Screening, einer entscheidungsbaumbasierten Methode zum Screening vieler Prädiktoren auf ihre Fähigkeit, ein Ergebnis vorherzusagen
- Identifizieren Sie eindeutige wichtige Variablen mithilfe von Variablen-Clustering, um ähnliche Variablen in repräsentative Gruppen zu gruppieren
- Verstehen und untersuchen Sie, wie jeder Cluster durch eine einzelne Komponente oder Variable dargestellt werden kann, um Multikollinearität zwischen Variablen zu eliminieren
- Interpretieren Sie die Farbkarte in Berichten zu Korrelationen, Cluster-Zusammenfassung, Cluster-Mitgliedern und Standardkomponenten
- Identifizieren Sie Wechselwirkungen zwischen einzigartigen und wichtigen Faktoren mithilfe von Fit Model - Response Screening
- Interpretieren Sie FDR PValue Plot und FDR LogWorth by Rank Fraction Reports mit Graph Builder
- Identifizieren Sie die beste Teilmenge von Variablen und Interaktionen zum Erstellen von Regressionsmodellen
- Gruppieren Sie ähnliche Variablen in repräsentative Gruppen
- Interpretieren von Berichten zur schrittweisen Regressionssteuerung und Schätzungen
Antwort-Screening zur Identifizierung wichtiger Variablen
Das angehängte JMP Journal sollte für alle funktionieren.Projektdatei .zip-Datei enthält ein JMP 15-Projektarchiv, das entpackt werden muss, um mit JMP 15 oder höher zu arbeiten.Sehen JMP-Archivdokumentation um Hilfe zu erhalten, nachdem Sie die Datei entpackt haben.
Datenexploration und -visualisierung
