Re: Identificación de variables importantes en sus datosHola,
¡Encontré este video bastante interesante y útil! ¡Gracias por eso!
Me gustaría comprender mejor lo siguiente: todos los pasos relacionados con la identificación y evaluación de interacciones (con herramientas de detección de respuestas y regresión paso a paso) se basan en una suposición lineal, ¿es esto correcto? En caso afirmativo, ¿hay alguna sugerencia para verificar las interacciones no lineales?
¡Gracias de antemano!
Helena
Re: Identificación de variables importantes en sus datosBuen conjunto de datos y presentación. ¡Lo usaré! Gracias Nick
Re: Identificación de variables importantes en sus datosexcelente descripción general de plataformas que rara vez se usan pero que son increíblemente poderosas que todos deberían tener en su caja de herramientas
Re: Identificación de variables importantes en sus datosHola @HelenaG , ¡Me alegra que hayas disfrutado del video!
La identificación de interacciones se realiza mejor a través de la experiencia en el dominio y un conocimiento científico / físico conocido de las variables bajo análisis.
Cuando las interacciones entre las variables no se comprenden bien, el modelo de personalidad de "Detección de respuesta" en el modelo de ajuste funciona bien para cuantificar la fuerza entre los términos de interacción individual y la variable de respuesta.
La personalidad del modelo "Regresión por pasos" en el modelo de ajuste funciona bien para identificar la mejor combinación de términos (por ejemplo: efectos principales, interacciones ...) para utilizar en un modelo potencial.
El término modelo "lineal" se refiere a cómo está estructurada la fórmula del modelo, pero las personalidades del modelo "Detección de respuesta" y "Regresión por pasos" en el Modelo de ajuste también se pueden utilizar para explorar relaciones no lineales.
Podemos incluir efectos e interacciones no lineales en un análisis agregando términos polinomiales.
En Ajustar modelo, puede explorar cualquier relación polinomial (no lineal) agregando el término correspondiente en el cuadro Efectos del modelo (por ejemplo: Relación cuadrática (x1 * x1), Relación cúbica (x1 * x1 * x1), Interacción cuadrática (x1 * x1 * x2) ...)
Para obtener más información sobre polinomios y cómo pueden ayudar a comprender las relaciones entre las variables, mire el video rápido a continuación:
https://community.jmp.com/t5/Short-Videos/Fitting-Polynomial-Models/ta-p/271953
Re: Identificación de variables importantes en sus datosHola de nuevo @nick_shelton ,
Debido a este tutorial, ahora estoy usando Screening Platform y me gustaría preguntarle cuáles son las configuraciones de Bootstrap Forest detrás de la plataforma estándar Screening Predictor. En JMP Pro, hay una Bootstrap Forest Specification Window, y mi pregunta es cuáles son las especificaciones para el bootstrap utilizado en la plataforma de cribado (solo podemos definir el número de árboles). Como no estadístico, usar Predictor Screening me parece menos riesgoso que usar JMP Pro Bootstrap Platform; sin embargo, para los informes científicos, necesitaría tener más información sobre las especificaciones del bosque bootstrap detrás de esta plataforma JMP.
Muchas gracias por adelantado.
Helena G.
Re: Identificación de variables importantes en sus datosHola @HelenaG
Me alegra saber que ha estado aplicando estos conceptos en su trabajo 
La principal diferencia entre Predictor Screening (PS) y Bootstrap Forest (BSF) en JMP Pro es que BSF proporciona opciones para controlar todos los hiperparámetros que afectan los resultados del análisis.
Como ya habrá notado, PS solo permite ajustar el parámetro "número de árboles".
Para obtener más detalles relacionados con la configuración de hiperparámetros predeterminada utilizada en PS, envíe su pregunta a support@jmp.com que puede proporcionar información adicional sobre cómo funciona el método.
Identificación de variables importantes en sus datos
Vea cómo:
- Encuentre factores importantes en datos de gran tamaño mediante la detección de respuestas
- Examinar FDR PValue Plot, FDR LogWorth por tamaño de efecto, FDR LogWorth por RSquare
- Identifique variables importantes mediante el cribado de predictores, un método basado en un árbol de decisiones para cribar muchos predictores en función de su capacidad para predecir un resultado.
- Identificar variables importantes únicas mediante la agrupación de variables para agrupar variables similares en grupos representativos
- Comprender y examinar cómo cada grupo se puede representar mediante un solo componente o variable para eliminar la multicolinealidad entre variables.
- Interpretar mapa de colores en correlaciones, resumen de clúster, miembros de clúster y informes de componentes estándar
- Identifique las interacciones entre factores únicos e importantes utilizando el Modelo de ajuste - Detección de respuesta
- Interprete los informes FDR PValue Plot y FDR LogWorth by Rank Fraction utilizando Graph Builder
- Identificar el mejor subconjunto de variables e interacciones para construir modelos de regresión.
- Agrupar variables similares en grupos representativos
- Interpretar informes de estimaciones y control de regresión escalonada
Detección de respuestas para ayudar a identificar variables importantes
El JMP Journal adjunto debería funcionar para todos.El archivo .zip del archivo de proyecto incluye un archivo de proyecto JMP 15 que requiere descomprimirlo para trabajar con JMP 15 o posterior.Ver Documentación de archivo JMP para obtener ayuda después de descomprimir el archivo.
Exploración y visualización de datos
