フィットモデル出力 (または予測プロファイラー) を範囲に制限する値 (0 から 1 の割合) に影響を与える 3 つの変数があります。フィット モデル プラットフォームを使用して一般化線形モデルを作成するアプローチを採用すると、ほぼ機能する予測方程式が得られますが、特定の変数値を入力すると 0 または 1 未満の予測が可能になります。推定は比例であると想定されているため、これは望ましくありません。
特定の種類のデータの書式設定や操作 (ログ変換など)、あるいはモデルのフィット プラットフォームで設定された一連の条件を実行することによって、これを制限する方法はありますか?
ありがとう！
品質およびプロセスエンジニアリングRe: フィットモデル出力 (または予測プロファイラー) を範囲に制約するはい、これらの変換では [0,1] 以上ではなく、ドメイン (0,1) 内の数値が想定されるということで間違いありません。 私はあなたが提案したことをします - 0を0.001のような非常に小さな正の数に置き換え、1を0.999のような非常にわずかに小さい数に置き換えます。 この変更はうまくいくはずです。
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約するハイマーク、
ここに関連する質問があると思います。DoE 実験からのデータに対して LogitPct 変換を実行しようとしています。 私たちは、製品の測定レベルを最大化し、不純物の測定レベルを最小限に抑える要因を見つけることに興味があります。 LogitPct は、予測プロファイラーが生成物に対して 100% を超える非現実的な収率、または不純物に対して 0% 未満の収率を与えないことを保証するのに役立ちます。
問題は、DoE 実験データ ポイントの一部にゼロが含まれていることです (たとえば、レベルが機器の検出限界を下回っていた)。 Logit と LogitPct は両方とも、0 の Log を取得することが未定義であるため、モデルを実行するとエラーを返します。JMP の Logit と LogitPct の境界は [0,1] ではなく (0,1) だと思います。 DoE が「非対称化」され、実験の数が減るため、これらの行を分析から除外したくありません。 ゼロを 0.0001 などの機能的にゼロに近い「ダミー」値に再コードする以外に何かすることはありますか?
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約する応答が変化した場合、AICc を比較することはできません。 一般的なフィッティング プロセスは、最適な Y = F(p|X) を見つけることと考えてください。ここで、F は、固定データ X が与えられたパラメータ p を持つ関数です。 F については何を変更しても AICc との違いを比較できますが、Y については何も変更できません。
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約する私は以下の点を評価しました。
1. GLM (正常) 集計データの比率を予測するためのロジット: AICc -57.2
2. GLM (二項) 生データでイベント/非イベントを予測するロジット: AICc 1907、非イベントの確率が得られます。
3. 生データでイベント/非イベントを予測するための名目ロジスティック: AICc 1907。イベントの確率と非イベントの確率、および p(イベント) か p(非) に基づく「最も可能性の高い」評価が得られます。 -イベント)の方が大きい
AICc 値が低いほどモデルが優れていることを示すと読んだことがあります。バイナリ生データの使用に関して私が抱いている懸念の 1 つは誤分類です (混同行列に基づくと、トレーニング セットでかなりの数の誤予測が見られます)。AICc 値 (~1964) 間の差異は、オプション 1 が優れたアプローチであることを実質的に支持していると考えられますか?出力としての比率には完全に満足しています。
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約するある意味、Y/X の比率はすでに確率です。 イベントの確率の最尤推定量は、イベントと非イベントの合計に占めるイベントの割合です。
多くの人が目的のためにロジスティック回帰を使用します。 生データは、あなたが持っているようなカウントです。 応答はイベントまたは非ベントであり、二項分布でモデル化されます。 ロジスティック回帰、または二項分布と同等の GLM およびロジット リンク関数は、これらの問題に直接対処します。 このアプローチを検討したことがありますか?
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約するマークさん、ありがとう！それが私が探していたものです。フォローアップとして:
私のデータセットには、X1 X2 と、Y と答えた回答者の割合があります。これは、複数の回答者全員が異なる X1 X2 の組み合わせを見て (たとえば、100 人の回答者がそれぞれ 10 個の X1 X2 の組み合わせを見て)、Y または他の何かのいずれかと答えたためです (バツ）。
生データには、X1 X2 の組み合わせごとに Y/X のいずれかの応答があるため、名目ロジスティック関数を使用して、X1 と X2 の関数として Y/X の確率をモデル化することもできます。これにより、予測式と混同行列が得られます。
Y/X の回答の生データを使用することが、Y の比率を使用する場合と比べて良いアプローチであるか悪いアプローチであるかについて、何か洞察はありますか?私の目標は、X1 と X2 の新しい組み合わせを使用して予測を行う際に、できるだけ正確かつ正確になることです。
Re: フィットモデル出力 (または予測プロファイラー) を範囲に制約するこれら 2 つのアプローチのいずれかを試してみるとよいでしょう。 どちらも応答 Y のロジット変換に基づいています。 ロジットは必要な制約の引数 [0, 1] を期待しますが、回帰が必要とする応答 [-infinity, infinity] を生成します。
このアプローチを説明するために、いくつかのデータをモックアップしてみました。
[モデルの適合] ダイアログで、ロジット変換を応答 Y に適用します。 [分析] > [モデルの適合] を選択し、それぞれの分析ロールにデータ列を入力します。 Y ロールの列を選択し、「変換」の横にある赤い三角形をクリックして、「ロジット」を選択します。
結果は見慣れたものになります。たとえば、プロファイラーを使用できますが、制約が適用される必要があります。
もう 1 つのアプローチは、一般化線形モデルを使用することです。 前と同じように開始しますが、変換は適用しません。 代わりに、「パーソナリティ」をクリックして「一般化線形モデル」を選択します。 「分布」をクリックし、「通常」を選択します。 「リンク」をクリックし、「Logit」を選択します。
