우발성 분석에서 모델 선택을 수행하는 방법제 도메인은 Consumer Research입니다.7 개의 설명 변수와 1 개의 응답 변수가 있습니다.모두 범주 형입니다.
내 목표는 반응 변수를 설명 변수 중 하나 또는 조합으로 대체하는 것입니다.
내 접근 방식 :
- 반응과 함께 각 설명 변수에 대한 우발성 분석을 수행합니다.
- 우발성 분석에서 R- 제곱 (U)이 가장 높은 설명 변수를 선택합니다.수준의 수가 다르기 때문에 우도 비나 Pearson 카이 제곱 값이 모델 선택에 도움이되지 않을 것이라고 생각합니다.
- 연관 측정 테이블에서 Lambda 및 불확실성 값을 사용합니다.가장 높은 값을 가진 설명 변수를 선택하십시오.
다음은 비상 분석의 변수 및 결과를 설명하는 요약입니다.
변수 # | 레벨 # 개 | Rsq (U) | LR- 치 스퀘어 | 피어슨 치 스퀘어 | Lambda Asym (C | R, R | C) | Lambda Sym. | 불확실성 계수 (C | R, R | C) | 불확실성 계수 (Sym) |
ㅏ | 4 | .08 | 248 | 268 | .08, .13 | .1 | .08, .08 | .08 |
비 | 삼 | .02 | 76 | 75 | .06, .02 | .04 | .02, .03 | .03 |
씨 | 10 | .04 | 136 | 153 | .05, .04 | .045 | .04, .03 | .034 |
디 | 10 | .31 | 961 | 1207 | .33, .13 | .22 | .3, .2 | .245 |
이자형 | 18 | .34 | 1056 | 1498 년 | .34, .1 | .21 | .34, .19 | .24 |
에프 | 40 | .345 | 1084 | 1590 년 | .34, .05 | .17 | .35, .15 | .21 |
지 | 6 | .32 | 1000 | 1286 | .35, .28 | .31 | .32, .26 | .29 |
반응 변수에는 6 개의 수준이 있습니다.
변수 D, E, F, G의 수준은 오름차순 강도로 정렬됩니다.하한과 상한이 비슷하다고 가정합니다.
질문 :
- 설명 된 접근 방식이 유효합니까?
- D, E, F, G (G를 선택하는 경향이 있음)의 변수 중 하나를 A, B, C의 하나 이상의 변수와 결합하여 더 나은 모델을 얻을 수 있습니까 (즉, 더 나은 응답 대체)?그렇다면 어떻게이를 수행 할 수 있으며 최상의 모델을 선택하기 위해 어떤 메트릭을 사용할 수 있습니까?
해석학다른Re : 우발성 분석에서 모델 선택하는 방법양방향 분할 표 분석은 그 자체로 유효하지만 사용자의 목적에는 충분하지 않습니다. 모든 변수를 결합하는 선형 예측자를 사용하는 로지스틱 회귀는 사용자의 요구를 더 잘 충족시킵니다.
스타트 여기 JMP 온라인 문서에서 로지스틱 회귀가 무엇인지, 데이터를 설정하는 방법, 분석 플랫폼을 시작하는 방법 및 질문에 답변 할 수있는 결과를 알아보십시오.
Re : 우발성 분석에서 모델 선택하는 방법고마워, 마크!
과거에 Logistic Regression을 사용했지만 이진 응답 (예 : Stable / Unstable) 만 사용했습니다. 이 사례는 훌륭한 학습 기회가 될 것입니다. 그것을 바로 얻을 것입니다!
