Modélisation "Fit Curve" avec plusieurs variables xBonjour, je suis débutant sans expérience en statistiques.
Mon problème est que j'ai une seule colonne de valeurs y et 6 colonnes de valeurs x. Y est supposé être causé par une combinaison des 6 valeurs x.
J'essaie de trouver un polynôme, en utilisant les paramètres x, qui modélise le y. J'ai réussi à le faire en utilisant la régression des moindres carrés dans JMP (et en python) mais les résultats ne sont pas étonnants car mes données ne sont certainement pas liées de manière linéaire. D'après ce que j'ai compris, pour les ajustements non linéaires, le Fit Curve convient. Cependant, je ne sais pas comment faire cela avec plusieurs variables X, car "Fit Curve" n'en accepte qu'une.
Quelqu'un peut me diriger dans la bonne direction?
AnalytiqueRe: Modélisation "Fit Curve" avec plusieurs variables xLe terme « linéaire » peut avoir de nombreuses interprétations en statistique. Dans la plate-forme Fit Model, la personnalité des moindres carrés standard (je suppose que vous avez essayé?), ce sont les estimations de paramètres qui sont «linéaires» ... pas nécessairement les réponses. Si les réponses ne sont pas de nature "ligne droite" par rapport à un ou plusieurs des x, alors une expression polynomiale qui est toujours linéaire dans les paramètres peut fournir un ajustement adéquat. Il existe deux techniques de base utilisées par les modélisateurs dans ce cas ... les transformations de x (une approche de Box Cox ici pourrait aider à informer le type de transformation ?) ou y, ou l'estimation de termes d'ordre supérieur dans l'expression polynomiale linéaire (cubique, quartique, etc. .). Avez-vous d'abord essayé ces idées avant de recourir à Fit Curve ou à d'autres fonctionnalités de modélisation non linéaire dans JMP ? Les plates-formes Fit Curve et Non Linear utilisent des modèles dans lesquels les estimations de paramètres elles-mêmes ne sont pas linéaires par rapport aux variables x. Des plates-formes utiles à coup sûr... mais vous voudrez peut-être d'abord épuiser toutes les idées possibles avec des modèles "linéaires" si vous ne l'avez pas déjà fait.
Re: Modélisation "Fit Curve" avec plusieurs variables xMerci pour les bonnes informations.
Alors que j'ai essayé les moindres carrés standard, comme vous l'avez supposé, ce que j'ai obtenu, après avoir sélectionné uniquement les 4 variables les plus appropriées en fonction de P>|t| chose, était quelque chose avec un Adj. RSquare de seulement 0,18.
De plus, comme vous l'avez supposé, je n'ai pas essayé les idées possibles avec des modèles linéaires parce que je n'étais pas au courant des choses que vous avez évoquées, alors merci beaucoup.
Pourriez-vous m'indiquer la bonne direction pour déterminer comment transformer mes paramètres pour obtenir le meilleur ajustement ? Comme je l'ai dit, je n'ai aucune expérience en statistiques, donc tout ce que je veux, c'est une combinaison de paramètres pour modéliser au mieux mes valeurs y de toutes les manières possibles et je ne sais pas par où commencer.
Re: Modélisation "Fit Curve" avec plusieurs variables xFaites-moi également savoir si vous pensez qu'il serait plus approprié de commencer un nouveau message ici, car mon objectif initial a définitivement changé après votre commentaire très utile.
Re: Modélisation "Fit Curve" avec plusieurs variables xVotre phrase "... pas d'expérience en statistiques..." m'amène à faire une pause et à ne plus recommander d'idées de modélisation, mais à recommander l'une des deux voies suivantes :
1. Engagez un consultant pour faire le travail avec vous... surtout s'il s'agit d'un effort unique et que vous ne voulez pas ou n'avez pas vraiment besoin de développer vos compétences en méthodes statistiques.
2. Développez vos connaissances de base des méthodes statistiques. C'est un peu comme vous donner une nouvelle voiture brillante (méthodes statistiques) mais vous ne savez pas conduire. Et vous demandez à la communauté de vous donner des instructions pour vous rendre du point A au point B dans votre nouvelle voiture brillante. Donc, une pensée que j'ai pour vous est de suivre le cours en ligne SAS "Statistical Thinking for Industrial Problem Solving". C'est gratuit. À la fin des modules de cours, vous développerez vos compétences en matière de méthodes statistiques et de JMP. Voici un lien vers la page d'accueil du cours : Pensée statistique pour la résolution de problèmes industriels
