interprétation des estimations de paramètres pour la variable catoricaleJ'ai un modèle avec seulement quelques effets actifs. À savoir les trois effets principaux du tableau. epsilon_r ^ n et et Rt ^ n sont des variables continues, mais E ^ n est une variable catégorielle qui peut avoir les valeurs -1 et +1.
D'après le profileur de prédiction, il est clair que dans les trois cas, une valeur plus élevée pour la variable indépendante conduit à un N25 prédit plus faible (ce qui est également attendu d'un point de vue physique).
Alors pourquoi les coefficients estimés pour epsilon_r ^ n et Rt ^ n sont-ils négatifs, mais le coefficient pour E ^ n est-il positif? Comment dois-je interpréter l'expression "[-1 -1]" dans la table des paramètres?
L'enregistrement du modèle dans la table de données donne accès à la formule de modèle suivante:
Ainsi, la valeur plus élevée de E ^ n (c'est-à-dire 1) conduit à une valeur inférieure dans la formule (c'est-à-dire 0). Je ne sais pas comment je devrais obtenir ces informations à partir du tableau des estimations des paramètres. Certains pourraient-ils m'expliquer cela, s'il vous plaît?
AnalytiqueRe: interprétation des estimations de paramètres pour la variable catoricalesalut @matthias_bruchh ,
Tout d'abord, avez-vous JMP Pro? Si tel est le cas, je recommande fortement d'exécuter un calcul bootstrap sur les estimations des paramètres pour mieux comprendre quels paramètres sont réellement 0 (ou proches de 0) et lesquels sont vraiment non-0 ainsi que leurs valeurs typiques (moyenne de milliers de bootstraps) .
Cela étant dit, puisque vous avez défini la valeur nominale E ^ na, lorsque JMP rapporte les estimations des paramètres, il renvoie les valeurs possibles, dans ce cas [-1 -1], ce qui signifie -1 à 1. Pour mieux comprendre comment le prédicteur E ^ n s'intègre dans votre modèle, vous pouvez le remplacer par ordinal.
La raison pour laquelle E ^ n obtient un coefficient positif (ou 0) a à voir avec la fonction que vous récupérez pour votre prédiction. Votre formule est essentiellement la suivante:
y = exp (a + b * x_1 + c * x_2 + d * x_3 + f)
Pour obtenir une réponse y plus grande, l'argument de l'exposant doit être aussi grand que possible, donc si les coefficients pour x_1 et x_2 sont négatifs et que "a" et "f" sont positifs, le seul moyen d'obtenir une valeur plus grande pour le L'argument est de rendre le coefficient pour x_3 (ie E ^ n) positif.
Vous avez mentionné que le comportement de N25 a un sens physique lorsque l'on regarde comment il répond aux prédicteurs. Si vous envisagez un processus physique (ou chimique), avez-vous une équation théorique pour commencer? Si tel est le cas, vous devriez utiliser cela comme formule prédictive et ne pas laisser sauter en générer une empirique pour vous. Par exemple, si vous mesurez le temps nécessaire à une balle pour tomber de x mètres, il existe une formule physique qui le prédit, à savoir: y = y_0 + v_0 * t + 1/2 * g * t ^ 2, la formule du mouvement dans un champ gravitationnel. Lors de l'analyse de ces données dans JMP, je fixerais la formule au modèle théorique et verrais s'il y a des écarts par rapport à la théorie.
Mais encore une fois, je pense que si vous changez E ^ n en ordinal, cela pourrait avoir plus de sens pour vous. De plus, si vous avez vraiment besoin que JMP génère une formule empirique, alors vous voudrez amorcer ou simuler les estimations pour voir lesquelles sont vraiment 0 ou proches de zéro pour vous assurer de ne rien manquer dans votre modèle.
J'espère que cela t'aides.
Bonne chance!,
DS
Re: interprétation des estimations de paramètres pour la variable catoricaleCher DS,
Changer E ^ n de nominal en ordinal a en effet fait l'affaire. La valeur absolue du paramètre est la même qu'avant, mais le signe est devenu négatif, ce qui est beaucoup plus intuitif. Merci beaucoup!
J'ai en effet JMP PRO (mais je ne l'ai eu que récemment).
Je n'ai pas de formule empirique que je pourrais utiliser dans ce cas, mais je serais intéressé de savoir comment cela se fait. Si vous pouviez m'indiquer un tutoriel ou alors je vous en serais reconnaissant. Il en va de même pour le bootstrap que vous mentionnez.
Cordialement,
Matthias
Re: interprétation des estimations de paramètres pour la variable catoricalesalut @matthias_bruchh ,
Heureux que le changement d'ordinal ait fonctionné et aidé.
En ce qui concerne le modèle théorique, si vous avez une fonction, vous pouvez utiliser la fonction «formule» dans les propriétés de la colonne pour «programmer» une colonne basée sur les prédicteurs. Mais il semble que vous n'ayez pas de modèle théorique.
Pour amorcer les estimations, cliquez avec le bouton droit sur les estimations de colonne dans le rapport JMP, puis sélectionnez amorçage. Si c'est rapide, mettez peut-être 5000, mais si c'est lent, laissez-le à 2500. Assurez-vous de cocher la case «poids fractionnaires. Il réexécutera l'ajustement plusieurs fois, puis vous donnera une distribution des valeurs pour chaque coefficient des prédicteurs (exécutez simplement le script "distribution" dans la table de données de sortie. Ensuite, avec la distribution et les statistiques qui s'affichent, vous pouvez cliquer avec le bouton droit de la souris sur les statistiques récapitulatives et sélectionner «transformer en tableau de données combinées». Veillez également à personnaliser les statistiques récapitulatives pour afficher la proportion différente de zéro.
Le tableau de données combiné contiendra la moyenne et la proportion non nulles pour vos estimations. Vous pouvez y voir quelle est la moyenne (valeur typique) ainsi que la fréquence à laquelle (en pourcentage) cette estimation est différente de zéro - si ce nombre est petit, alors l'estimation est souvent zéro. Si c'est gros, alors la plupart du temps, il est non nul. C'est un bon moyen de déterminer les termes et les termes mixtes dont vous avez besoin ou non dans votre modèle.
Vous pouvez également choisir de «simuler», mais cela nécessite une autre colonne de formule dans la table de données pour remplacer par une colonne de formule que vous avez utilisée dans votre modèle. C'est un peu plus compliqué - voir Autovalidation de Gotwalt et Ramsey. Il y a un PPT et une vidéo à regarder qui l'explique. C'est légèrement différent et donnera des résultats légèrement différents à l'approche bootstrap, mais fait essentiellement la même chose. J'utilise constamment ces approches pour éliminer les facteurs du modèle.
Une très belle différence avec l'approche d'autovalidation est qu'elle génère un facteur nul qui est complètement aléatoire et orthogonal à vos données. Chaque fois que cela apparaît plus souvent dans les simulations que n'importe lequel de vos autres facteurs, vous pouvez définitivement éliminer ceux qui apparaissent moins fréquemment. Soyez prudent ici pour vous assurer que vous imposez les règles de hiérarchie et d'hérédité pour les facteurs et leurs combinaisons. En fait, si vous n'avez pas de modèle théorique et aucune raison d'inclure des termes mixtes, je les laisserais complètement de côté, c'est juste du "vaudou" comme aime à le dire un data scientist.
À propos, les données que vous analysez proviennent-elles d'un DOE ou simplement d'études de laboratoire régulières?
Bonne chance!,
DS
Re: interprétation des estimations de paramètres pour la variable catoricaleMerci DS,
Je vais jeter un oeil à ça. Et oui, les données proviennent d'un DOI. (En fait, à partir de 3 DOI. Le projet a été structuré en trois phases successives. J'ai fait trois DOI indépendants pour ceux-ci, car là où il y avait beaucoup de contraintes et (à l'époque) il n'était pas possible de les implémenter avec la fonction "Augment Design" de JMP.)
