Modélisation "Fit Curve" avec plusieurs variables xBonjour, je suis un 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 cela 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 ma compréhension, pour les ajustements non linéaires, la Fit Curve convient. Cependant, je ne sais pas comment procéder avec plusieurs variables X puisque la "Courbe d'ajustement" n'en accepte qu'une seule.
Quelqu'un peut me diriger dans la bonne direction?
Études de consommation et de marchéRe : Modélisation "Fit Curve" avec plusieurs variables xOn dirait que parce que je suis un nouvel utilisateur, je n'ai pas accès aux messages privés...
Re : Modélisation "Fit Curve" avec plusieurs variables xJe vais vous envoyer un message privé car ce type de conversation n'est pas le contenu prévu pour ce forum de discussion.
Re : Modélisation "Fit Curve" avec plusieurs variables xMerci pour vos suggestions. J'adorerais embaucher un consultant et j'ai déjà contacté quelques personnes sur Fiverr. Savez-vous où d'autre serait un bon endroit ?
Re : Modélisation "Fit Curve" avec plusieurs variables xVotre phrase "... aucune 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. Embauchez un consultant pour faire le travail avec vous... surtout s'il s'agit d'un effort unique en son genre 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 offrir une voiture neuve et brillante (méthodes statistiques) mais vous ne savez pas conduire. Et vous demandez à la communauté de vous donner des instructions pour vous rendre d’un point A à un point B dans votre nouvelle voiture rutilante. Une idée que j'ai donc pour vous est de suivre le cours en ligne SAS « Réflexion statistique pour la résolution de problèmes industriels ». 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
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 puisque mon objectif initial a définitivement changé après votre commentaire très utile.
Re : Modélisation "Fit Curve" avec plusieurs variables xMerci pour cette excellente information.
Bien que j'aie 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 basées sur P>|t| chose, c'était quelque chose avec un Adj. RCarré de seulement 0,18.
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 savoir comment transformer mes paramètres afin d'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 xLe terme « linéaire » peut avoir de nombreuses interprétations en statistique. Dans la plate-forme Fit Model, la personnalité des moindres carrés standard (c'est ce que je suppose que vous avez essayé ?), ce sont les estimations des 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. Les modélisateurs utilisent deux techniques de base dans ce cas... les transformations de x (une approche de Box Cox ici pourrait aider à déterminer le type de transformation ?) ou de y, ou l'estimation de termes d'ordre supérieur dans l'expression polynomiale linéaire (cubique, quartique, etc. .). Avez-vous essayé ces idées avant de recourir à l'outil Ajuster la courbe ou à d'autres fonctionnalités de modélisation non linéaire de JMP ? Les plates-formes Fit Curve et Non Linear utilisent des modèles dans lesquels les estimations des paramètres elles-mêmes sont non linéaires par rapport aux variables x. Des plates-formes utiles, bien 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.
