Vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloHo tre variabili che influenzano un valore (una proporzione da 0 a 1).Quando prendo l'approccio di creare un modello lineare generalizzato utilizzando la piattaforma del modello di adattamento, ottengo un'equazione di previsione che funziona in gran parte ma consente comunque previsioni inferiori a 0 o 1, se inserisco determinati valori variabili.Questo non è desiderato poiché la stima dovrebbe essere una proporzione.
C'è un modo in cui posso limitare questo, eseguendo un certo tipo di formattazione o manipolazione dei dati (ad esempio una trasformazione del registro), o forse un insieme di condizioni impostate nella piattaforma Fit Model?
Grazie!
Qualità e ingegneria di processoOggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloSì, hai ragione sul fatto che queste trasformazioni prevedono numeri nel dominio (0,1), non [0,1] o oltre. Faccio quello che suggerisci: sostituisco 0 con un numero positivo molto piccolo, come 0,001, e 1 con un numero leggermente inferiore, come 0,999. Questa modifica dovrebbe funzionare per te.
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloCiao Mark,
Penso di avere una domanda correlata qui: ho provato a eseguire una trasformazione LogitPct sui dati di un esperimento DoE. Siamo interessati a trovare quei fattori che massimizzano il livello misurato di prodotto e minimizzano anche i livelli misurati di impurità. Il LogitPct aiuta a garantire che il Prediction Profiler non fornisca rese non realistiche superiori al 100% per il prodotto o inferiori allo 0% per le impurità.
Il problema è che alcuni dei miei dati sperimentali DoE includono zero (ad esempio, il livello era al di sotto del limite di rilevamento dello strumento). Sia Logit che LogitPct restituiscono errori durante l'esecuzione del modello, poiché prendere Log di 0 non è definito - penso che i limiti per Logit e LogitPct in JMP siano (0,1) anziché [0,1]. Non voglio omettere queste righe dall'analisi, poiché ciò "desimmetrizza" il DoE e riduce il numero di esperimenti. C'è qualcosa da fare oltre a ricodificare gli zeri in valori "fittizi" funzionalmente vicini a zero come 0,0001?
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloNon puoi confrontare AICc quando la risposta cambia. Pensa al processo di adattamento generale come trovare il miglior Y = F(p|X) dove F è una funzione con parametri p dati i dati fissi X. Puoi cambiare qualsiasi cosa su F e confrontare le differenze con AICc, ma non puoi cambiare nulla su Y.
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloHo valutato quanto segue:
1. Logit GLM (normale) per prevedere rapporti su dati aggregati: AICc -57,2
2. GLM (binomiale) Logit per prevedere Evento/Non-Evento su dati grezzi: AICc 1907, mi dà la probabilità di Non-Evento
3. Logistica nominale per prevedere Evento/Non evento su dati grezzi: AICc 1907, fornisce la probabilità di Evento e la probabilità di Non evento e una valutazione "Più probabile" basata sul fatto che p(Evento) o p(Non -Evento) è maggiore
Ho letto che un valore AICc inferiore è un indicatore di un modello migliore.Una preoccupazione che ho con l'utilizzo dei dati grezzi binari sono le classificazioni errate (in base alla matrice di confusione, vedo un numero considerevole di previsioni errate sul set di addestramento).Considereremmo le differenze tra i valori AICc (~ 1964) sostanzialmente a favore dell'opzione 1 come approccio superiore?Sono perfettamente soddisfatto di un rapporto come output.
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloIn un certo senso, il tuo rapporto Y/X è già una probabilità. Lo stimatore di massima verosimiglianza per la probabilità di un evento è la proporzione dell'evento sul totale degli eventi e dei non eventi.
Molte persone usano la regressione logistica per il tuo scopo. I dati grezzi sono conteggi come te. La risposta è evento o non sfogo ed è modellata con una distribuzione binomiale. La regressione logistica o equivalentemente GLM con la distribuzione binomiale e la funzione di collegamento logit affrontano direttamente questi problemi. Hai considerato questo approccio?
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloGrazie Marco!Questo è quello che stavo cercando.Come seguito:
Nel mio set di dati, abbiamo X1 X2 e una percentuale di intervistati che hanno risposto Y, poiché più intervistati hanno tutti visto diverse combinazioni X1 X2 (ad esempio, 100 intervistati hanno guardato ciascuno un insieme di 10 combinazioni X1 X2) e hanno risposto Y o qualcos'altro ( X).
Poiché i miei dati grezzi hanno la risposta di Y/X per ogni combinazione X1 X2, sarei anche in grado di modellare la probabilità di Y/X in funzione di X1 e X2 utilizzando la capacità logistica nominale.Ciò produce un'espressione di previsione e una matrice di confusione.
Hai qualche idea sul fatto che l'utilizzo dei dati grezzi delle risposte Y/X sia un approccio migliore o peggiore rispetto all'utilizzo delle proporzioni di Y?Il mio obiettivo è semplicemente essere il più accurato e preciso possibile quando faccio previsioni con nuove combinazioni di X1 e X2.
Oggetto: vincolo dell'output del modello di adattamento (o profiler di previsione) a un intervalloPotresti provare uno di questi due approcci. Entrambi sono basati sulla trasformata logit della risposta Y. Il logit si aspetta un argomento [0, 1] per il vincolo desiderato, ma produce una risposta [-infinito, infinito] richiesta dalla regressione.
Ho preso in giro alcuni dati per illustrare questo approccio.
Applicare la trasformazione Logit alla risposta Y nella finestra di dialogo Stima modello. Selezionare Analizza > Stima modello e immettere le colonne di dati nei rispettivi ruoli di analisi. Seleziona la colonna nel ruolo Y, quindi fai clic sul triangolo rosso accanto a Trasforma e seleziona Logit.
Il tuo risultato sarà familiare, puoi usare il Profiler per esempio, ma il vincolo dovrebbe essere applicato.
L'altro approccio consiste nell'utilizzare un modello lineare generalizzato. Inizia come prima ma non applicare la trasformazione. Invece, fai clic su Personalità e seleziona Modello lineare generalizzato. Fare clic su Distribuzione e selezionare Normale. Fai clic su Collega e seleziona Logit.
