順序データも含めることにより、多変量 (連続データ) 回帰適合を改善しようとしていますこんにちは。順序変数も組み込むことで重線形回帰モデルの適合性を向上させることは可能ですか、または推奨されますか?現在のモデルには 2 つの連続説明変数と 1 つの連続応答変数が含まれています。現実の世界では順序変数が重要であり、明らかに応答変数に影響を与えることはわかっています...その影響をどのように捉えればよいのかわかりません。コンテキストとして、エコリ (応答変数) が濁度 (連続)、近くの特定の場所の降雨量 (連続)、およびモデルの適合性を改善しなかったその他の変数によってどのように影響を受けるかをモデル化 (つまり予測) しています。しかし、私が知っているのは、川の水位が上昇する地点（上昇期と呼ばれる）には通常、流域からの最初の洗い流しによってより多くのエコリが含まれており、多くの場合、この上昇期の区間にはピーク段階よりも多くのエコリが含まれているということです。私たちはこれを観察から知っています。したがって...これらの上昇段階のインスタンスは、理想的にはモデルで捕捉されるべきであり、これを行うための最良の方法は、順序変数を使用することであるようです (例: 急速な上昇 = 2、遅い上昇 = 1、上昇なし) 、非常に遅い上昇または下降 = 0)。ここまでは順調ですね。しかし、これを「エコリ」対「連続変数と順序変数」の予測モデルに組み込む方法がわかりません。これに関して何か提案や方向性はありますか？前もって感謝します。
データの探索と視覚化Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしていますありがとうスタットマン。試してみます。
Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしていますあなたの特定の状況は正確にはわかりませんが、時間の経過とともにデルタは変化します。 連続変数は常に便利であり、必要なデータも少なくなります。
Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしていますこれは実際には良いアイデアであり、私が使用しているものよりも優れた手段です。デルタライズ/デルタタイムについて考えていますか？
Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしていますディードリッヒさん、ご意見ありがとうございます。試してみます。ちなみに、私はJMPバージョン12.1を使用しています。
Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしています実際の騰落率を分類せずに連続変数として測定してみてはいかがでしょうか。
Re: 順序データも含めることで多変量 (連続データ) 回帰適合を改善しようとしていますこんにちは@learning_JSL 、
実行している JMP または JMP Pro のバージョンは何ですか?
順序データは問題なく組み込むことができます。 濁りや降雨と上昇段階を交差させた条件を含めることもできます。 通常どおりダイアログ ウィンドウに追加するだけです。 順序変数として年齢を使用して、Big Class.jmp データ テーブルを使用する練習をすることができます。ほんの一例として、PLS モデルの性格を使用して、年齢、性別、体重、および年齢 * 体重に基づいて「身長」を予測しました。 。
そうは言っても、モデル化しているデータが DOE からのものではない場合 (実際には DOE からのものではないようです)、ある種の相互検証手法を使用して、次のことを確認する必要があります。データを過剰適合させていません。 私には、他の多くの要因に応じて水路内の大腸菌レベルを予測しようとしているように思えます。 これは取り組むべき素晴らしい問題であり、公衆衛生上非常に重要な問題のように思えます。
Pro をお持ちの場合は、さまざまなプラットフォームでモデルを実行して、モデルのトレーニングに使用していないデータに対して最適な予測モデルを生成するプラットフォームを確認することをお勧めします (これが最終的にやりたいことであると仮定して)。 GenReg、デシジョン ツリー、さらにはニューラル ネットでも試してみたいと思うでしょう。 その後、未使用データのモデルを比較し、どれが予測モデルとして最適であるかを確認できます。
お役に立てれば。 幸運を！、
DS
