피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한값(0에서 1까지의 비율)에 영향을 미치는 세 가지 변수가 있습니다.적합 모델 플랫폼을 사용하여 일반화된 선형 모델을 생성하는 접근 방식을 취할 때 대체로 작동하지만 특정 변수 값을 입력하면 여전히 0 또는 1 미만의 예측을 허용하는 예측 방정식을 얻습니다.이는 추정치가 비율로 간주되기 때문에 바람직하지 않습니다.
특정 유형의 데이터 형식 지정 또는 조작(예: 로그 변환)을 수행하거나 모델 적합 플랫폼에서 설정된 일련의 조건을 통해 이를 제한할 수 있는 방법이 있습니까?
감사합니다!
품질 및 프로세스 엔지니어링Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한예, 이러한 변환이 [0,1] 이상이 아닌 도메인(0,1)의 숫자를 예상한다는 것이 맞습니다. 나는 당신이 제안한대로 합니다. 0을 0.001과 같은 아주 작은 양수로 바꾸고 1을 0.999와 같이 아주 약간 작은 숫자로 바꿉니다. 이 변경 사항은 귀하에게 적합합니다.
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한안녕 마크,
여기에 관련 질문이 있는 것 같습니다. DoE 실험의 데이터에 대해 LogitPct 변환을 수행하려고 했습니다. 우리는 측정된 제품 수준을 최대화하고 측정된 불순물 수준을 최소화하는 요소를 찾는 데 관심이 있습니다. LogitPct는 Prediction Profiler가 제품에 대해 100% 이상 또는 불순물에 대해 0% 미만의 비현실적인 수율을 제공하지 않도록 합니다.
문제는 내 DoE 실험 데이터 포인트 중 일부가 0을 포함한다는 것입니다(예: 레벨이 기기의 감지 한계 미만임). Logit과 LogitPct는 모두 모델을 실행할 때 오류를 반환합니다. 로그를 0으로 취하는 것은 정의되지 않았기 때문입니다. JMP에서 Logit과 LogitPct의 범위는 [0,1]이 아니라 (0,1)입니다. DoE를 "비대칭화"하고 실험 횟수를 줄이기 때문에 분석에서 이러한 행을 생략하고 싶지 않습니다. 0.0001과 같이 기능적으로 0에 가까운 "더미" 값으로 0을 다시 코딩하는 것 외에 수행할 작업이 있습니까?
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한응답이 변경되면 AICc를 비교할 수 없습니다. 일반적인 피팅 프로세스를 최상의 Y = F(p|X)를 찾는 것으로 생각하십시오. 여기서 F는 고정 데이터 X가 주어진 매개변수 p를 갖는 함수입니다. F에 대해서는 무엇이든 변경할 수 있고 AICc와의 차이점을 비교할 수 있지만 Y에 대해서는 아무 것도 변경할 수 없습니다.
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한다음을 평가했습니다.
1. GLM(정상) 집계 데이터에 대한 비율을 예측하기 위한 로짓: AICc -57.2
2. 원시 데이터에서 사건/비사건을 예측하는 GLM(이항) 로짓: AICc 1907, 비사건 확률 제공
3. 원시 데이터에서 사건/비사건을 예측하는 명목 로지스틱: AICc 1907은 사건의 확률과 비사건의 확률을 제공하며 p(사건) 또는 p(비사건) 여부에 따라 "가장 가능성이 높은" 평가를 제공합니다. -이벤트)가 더 큽니다.
낮은 AICc 값이 더 나은 모델의 지표라는 것을 읽었습니다.이진 원시 데이터를 사용하는 데 있어 한 가지 우려 사항은 잘못된 분류입니다(혼동 행렬을 기반으로 훈련 세트에서 상당한 수의 잘못된 예측을 봅니다).AICc 값(~1964) 간의 차이가 옵션 1이 우월한 접근 방식에 실질적으로 유리하다고 생각합니까?내 출력으로 비율에 완벽하게 만족합니다.
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한어떤 의미에서 Y/X 비율은 이미 확률입니다. 사건의 확률에 대한 최대 우도 추정기는 총 사건 및 비사건 중 사건의 비율입니다.
많은 사람들이 목적을 위해 로지스틱 회귀를 사용합니다. 원시 데이터는 당신이 가진 것과 같은 수입니다. 응답은 이벤트 또는 비벤트이며 이항 분포로 모델링됩니다. 로지스틱 회귀 또는 이항 분포 및 로짓 링크 함수를 사용하는 동등한 GLM은 이러한 문제를 직접 해결합니다. 이 접근 방식을 고려해 보셨습니까?
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한감사합니다 마크!그게 제가 찾던 것입니다.후속 조치:
내 데이터 세트에는 X1 X2와 Y라고 답한 응답자의 비율이 있습니다. 여러 응답자가 모두 서로 다른 X1 X2 조합을 보고(예: 각각 10개의 X1 X2 조합 세트를 보고 있는 100명의 응답자) Y 또는 다른 것으로 응답했기 때문입니다( 엑스).
내 원시 데이터에는 각 X1 X2 조합에 대한 Y/X의 응답이 있으므로 명목 물류 기능을 사용하여 Y/X의 확률을 X1 및 X2의 함수로 모델링할 수도 있습니다.이것은 예측 표현과 혼동 행렬을 생성합니다.
Y/X 응답의 원시 데이터를 사용하는 것이 Y의 비율을 사용하는 것보다 나은 접근 방식인지 나쁜 접근 방식인지에 대한 통찰력이 있습니까?내 목표는 X1과 X2의 새로운 조합으로 예측을 할 때 가능한 한 정확하고 정확하게 하는 것입니다.
Re: 피팅 모델 출력(또는 예측 프로파일러)을 범위로 제한이 두 가지 방법 중 하나를 시도해 볼 수 있습니다. 둘 다 응답 Y의 로짓 변환을 기반으로 합니다. 로짓은 원하는 제약 조건에 대해 인수 [0, 1]을 예상하지만 회귀에 필요한 응답 [-infinity, infinity]을 생성합니다.
이 접근 방식을 설명하기 위해 일부 데이터를 모의했습니다.
모델 적합 대화 상자에서 응답 Y에 로짓 변환을 적용합니다. 분석 > 모델 적합을 선택하고 해당 분석 역할에 데이터 열을 입력합니다. Y 역할에서 열을 선택한 다음 변환 옆에 있는 빨간색 삼각형을 클릭하고 로짓을 선택합니다.
결과는 익숙할 것입니다. 예를 들어 프로파일러를 사용할 수 있지만 제약 조건이 적용되어야 합니다.
다른 접근 방식은 일반화 선형 모델을 사용하는 것입니다. 이전과 같이 시작하되 변환을 적용하지 마십시오. 대신 Personality를 클릭하고 Generalized Linear Model을 선택하십시오. 분포를 클릭하고 일반을 선택합니다. 링크를 클릭하고 Logit을 선택합니다.
