catorical変数のパラメーター推定値の解釈アクティブなエフェクトが少ないモデルがあります。 つまり、表の3つの主な効果。 epsilon_r ^ nとRt ^ nは連続変数ですが、E ^ nは値-1と+1を持つことができるカテゴリ変数です。
予測プロファイラーから、3つのケースすべてで、独立変数の値が高いほど、予測されるN25が低くなることが明らかです（これは、物理的な観点からも予想されます）。
では、なぜepsilon_r ^ nとRt ^ nの推定係数が負であるのに、E ^ nの係数が正であるのでしょうか。 パラメータテーブルの式「[-1-1]」をどのように解釈すればよいですか？
モデルをデータテーブルに保存すると、次のモデル式にアクセスできます。
したがって、E ^ nの値が高い（つまり1）と、式の値は低くなります（つまり、0）。 パラメータ推定値テーブルからこの情報を取得する方法がわかりません。 これを説明してもらえますか？
分析Re：catorical変数のパラメーター推定値の解釈こんにちは@matthias_bruchh 、
まず、JMP Proはありますか？ その場合、パラメーター推定値に対してブートストラップ計算を実行して、実際に0（または0に近い）であるパラメーターと実際に0以外であるパラメーター、およびそれらの典型的な値（数千のブートストラップの平均）をよりよく理解することを強くお勧めします。
そうは言っても、E ^ naの公称値を作成したので、JMPがパラメーター推定値を報告すると、可能な値（この場合は[-1 -1]、つまり-1対1）が報告されます。 E ^ n予測子がモデルにどのように適合するかをよりよく理解するには、代わりに序数に変更することをお勧めします。
E ^ nが正の係数（または0）を取得する理由は、予測のために取得する関数と関係があります。 あなたの公式は基本的に次のとおりです。
y = exp（a + b * x_1 + c * x_2 + d * x_3 + f）
より大きなy応答を取得するには、指数の引数をできるだけ大きくする必要があります。したがって、x_1とx_2の係数が負で、「a」と「f」が正の場合、より大きな値を取得する唯一の方法は引数は、x_3（つまり、E ^ n）の係数を正にすることです。
N25の動作は、予測子にどのように応答するかを見ると、物理的に意味があるとおっしゃいました。 物理的（または化学的）プロセスを見ている場合、最初に理論式がありますか？ もしそうなら、あなたはそれをあなたの予測式として使うべきであり、あなたのために経験的なものをジャンプで生成させないでください。 たとえば、ボールがxメートル落下するのにかかる時間を測定している場合、これを予測する物理式があります。つまり、y = y_0 + v_0 * t + 1/2 * g * t ^ 2、重力場での運動の公式。 JMPでこのようなデータを分析するときは、式を理論モデルに固定し、理論からの逸脱があるかどうかを確認します。
しかし、繰り返しになりますが、E ^ nを序数に変更すると、より理にかなっていると思います。 また、本当にJMPに実験式を生成させる必要がある場合は、推定値をブートストラップまたはシミュレーションして、モデルに何も欠落していないことを確認するために、実際に0またはゼロに近いものを確認する必要があります。
お役に立てれば。
幸運を！、
DS
Re：catorical変数のパラメーター推定値の解釈親愛なるDS、
E ^ nを名目から序数に変更することは確かにトリックでした。 パラメータの絶対値は以前と同じですが、符号が負に変更され、より直感的になりました。 どうもありがとう！
私は確かにJMPPROを持っています（しかし最近入手したばかりです）。
この場合に使用できる実験式はありませんが、それがどのように行われるかを知りたいと思います。 チュートリアルなどを教えていただければ幸いです。 あなたが言及したブートストラップについても同じことが言えます。
よろしく、
マティアス
Re：catorical変数のパラメーター推定値の解釈こんにちは@matthias_bruchh 、
序数への変更が機能し、助けてくれてうれしいです。
理論モデルに関する限り、関数がある場合は、列プロパティの「式」機能を使用して、予測子に基づいて列を「プログラム」できます。 しかし、理論的なモデルがないようです。
見積もりをブートストラップするには、JMPレポートの見積もり列を右クリックして、ブートストラップを選択します。 速い場合は5000程度入れますが、遅い場合は2500のままにしておきます。 必ず「分数の重み」チェックボックスをオンにしてください。 近似を複数回再実行してから、予測子の各係数の値の分布を提供します（出力データテーブルで「分布」スクリプトを実行するだけです。 次に、表示される分布と統計を使用して、要約統計量を右クリックし、[結合データテーブルにする]を選択できます。 要約統計量もカスタマイズして、比率がゼロ以外になるようにしてください。
結合されたデータテーブルには、推定値の平均と比率がゼロ以外で含まれます。 ここで、平均（標準値）が何であるか、およびその推定値がゼロ以外である頻度（パーセント単位）を確認できます。その数が小さい場合、推定値はしばしばゼロになります。 大きい場合、ほとんどの場合、ゼロ以外です。 これは、モデルで必要な用語と不要な用語を判別するための良い方法です。
「シミュレート」することもできますが、これには、モデルで使用した数式列と交換するために、データテーブル内の別の数式列が必要です。 これはもう少し複雑です-を参照してください自動検証GotwaltとRamseyから。 それを説明するPPTと見るべきビデオがあります。 これはわずかに異なり、ブートストラップアプローチにわずかに異なる結果をもたらしますが、基本的に同じことを行います。 モデル内の要因を排除するために、これらのアプローチを常に使用しています。
自動検証アプローチの非常に優れた違いの1つは、完全にランダムでデータに直交するヌル係数を生成することです。 それが他のどの要因よりもシミュレーションで頻繁に現れる場合はいつでも、それほど頻繁に現れないものを確実に排除することができます。 ここでは、因子とそれらの組み合わせに階層と遺伝の規則を課すことを確認するように注意してください。 実際、理論モデルがなく、混合用語を含める理由がない場合は、それらを完全に省略します。これは、私が言いたいデータサイエンティストとしての単なる「ブードゥー」です。
ちなみに、あなたが分析しているデータは、DOEからのものですか、それとも通常のラボ研究からのものですか？
幸運を！、
DS
Re：catorical変数のパラメーター推定値の解釈DSに感謝します。
これを見てみます。 はい、データはDOIからのものです。 （実際には3つのDOIから。 プロジェクトは3つの連続したフェーズで構成されました。 これらに対して3つの独立したDOIを作成しました。これは、多くの制約があり、（当時）JMPの「拡張設計」機能でそれらを実装することができなかったためです。）
