Einschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichIch habe drei Variablen, die einen Wert beeinflussen (ein Verhältnis von 0 bis 1).Wenn ich den Ansatz verfolge, mithilfe der Anpassungsmodellplattform ein verallgemeinertes lineares Modell zu erstellen, erhalte ich eine Vorhersagegleichung, die weitgehend funktioniert, aber dennoch Vorhersagen von unter 0 oder 1 zulässt, wenn ich bestimmte Variablenwerte eingebe.Dies ist nicht erwünscht, da es sich bei der Schätzung um einen Anteil handeln soll.
Gibt es eine Möglichkeit, dies einzuschränken, entweder durch eine bestimmte Art der Datenformatierung oder -manipulation (z. B. eine Protokolltransformation) oder vielleicht durch eine Reihe von Bedingungen, die in der Fit Model-Plattform festgelegt werden?
Danke schön!
Qualitäts- und VerfahrenstechnikBetreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichJa, Sie haben Recht, dass diese Transformationen Zahlen im Bereich (0,1) erwarten, nicht [0,1] oder darüber hinaus. Ich mache, was Sie vorschlagen – ich ersetze 0 durch eine sehr kleine positive Zahl, wie 0,001, und 1 durch eine ganz geringfügig kleinere Zahl, wie 0,999. Diese Änderung sollte für Sie funktionieren.
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichHallo Mark,
Ich glaube, ich habe hier eine verwandte Frage: Ich habe versucht, eine LogitPct-Transformation an Daten aus einem DoE-Experiment durchzuführen. Wir sind daran interessiert, die Faktoren zu finden, die den gemessenen Produktgehalt maximieren und gleichzeitig den gemessenen Grad an Verunreinigungen minimieren. Der LogitPct trägt dazu bei, dass der Prediction Profiler keine unrealistischen Ausbeuten von über 100 % für das Produkt oder unter 0 % für Verunreinigungen liefert.
Das Problem besteht darin, dass einige meiner experimentellen DoE-Datenpunkte Null enthalten (z. B. lag der Füllstand unter der Nachweisgrenze des Instruments). Sowohl Logit als auch LogitPct geben beim Ausführen des Modells Fehler zurück, da die Verwendung eines Logs von 0 undefiniert ist. Ich denke, die Grenzen für Logit und LogitPct in JMP sind (0,1) und nicht [0,1]. Ich möchte diese Zeilen nicht aus der Analyse ausschließen, da dadurch das DoE „desymmetrisiert“ und die Anzahl der Experimente verringert wird. Gibt es etwas anderes zu tun, als die Nullen in „Dummy“-Werte umzukodieren, die funktional nahe bei Null liegen, wie z. B. 0,0001?
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichSie können AICc nicht vergleichen, wenn sich die Antwort ändert. Stellen Sie sich den allgemeinen Anpassungsprozess so vor, dass Sie das beste Y = F(p|X) finden, wobei F eine Funktion mit Parametern p bei gegebenen festen Daten X ist. Sie können an F alles ändern und die Unterschiede mit AICc vergleichen, aber an Y können Sie nichts ändern.
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichFolgendes habe ich ausgewertet:
1. GLM (normal) Logit zur Vorhersage von Verhältnissen auf aggregierten Daten: AICc -57,2
2. GLM (binomial) Logit zur Vorhersage von Ereignis/Nicht-Ereignis anhand von Rohdaten: AICc 1907, gibt mir die Wahrscheinlichkeit eines Nicht-Ereignisses an
3. Nominale Logistik zur Vorhersage von Ereignissen/Nicht-Ereignissen anhand von Rohdaten: AICc 1907 gibt mir die Wahrscheinlichkeit eines Ereignisses und die Wahrscheinlichkeit eines Nicht-Ereignisses sowie eine „höchstwahrscheinliche“ Bewertung basierend darauf, ob p(Ereignis) oder p(Nicht-Ereignis). -Ereignis) größer ist
Ich habe gelesen, dass ein niedrigerer AICc-Wert ein Indikator für ein besseres Modell ist.Eine Sorge, die ich bei der Verwendung der binären Rohdaten habe, sind Fehlklassifizierungen (basierend auf der Verwirrungsmatrix sehe ich eine beträchtliche Anzahl falscher Vorhersagen im Trainingssatz).Würden wir davon ausgehen, dass die Unterschiede zwischen den AICc-Werten (~1964) im Wesentlichen dafür sprechen, dass Option 1 der bessere Ansatz ist?Ich bin mit dem Verhältnis meiner Ausgabe vollkommen zufrieden.
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichIn gewissem Sinne ist Ihr Verhältnis Y/X bereits eine Wahrscheinlichkeit. Der Maximum-Likelihood-Schätzer für die Wahrscheinlichkeit eines Ereignisses ist der Anteil des Ereignisses an der Gesamtzahl der Ereignisse und Nicht-Ereignisse.
Viele Menschen nutzen die logistische Regression für ihre Zwecke. Die Rohdaten sind Zählungen wie Sie. Die Reaktion ist ein Ereignis oder eine Nicht-Entlüftung und wird mit einer Binomialverteilung modelliert. Logistische Regression oder gleichwertig GLM mit der Binomialverteilung und der Logit-Link-Funktion gehen diese Probleme direkt an. Haben Sie über diesen Ansatz nachgedacht?
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichDanke Mark!Das ist es, wonach ich gesucht habe.Als Nachfolge:
In meinem Datensatz haben wir X1 X2 und einen Anteil der Befragten, die mit „Y“ geantwortet haben, da mehrere Befragte alle unterschiedliche X1 X2-Kombinationen gesehen haben (z. B. 100 Befragte, die jeweils einen Satz von 10 X1 X2-Kombinationen betrachteten) und entweder mit „Y“ oder etwas anderes geantwortet haben ( X).
Da meine Rohdaten für jede X1-X2-Kombination die Antwort entweder Y/X haben, wäre ich auch in der Lage, die Wahrscheinlichkeit von Y/X als Funktion von X1 undDies ergibt einen Vorhersageausdruck und eine Verwirrungsmatrix.
Haben Sie eine Ahnung, ob die Verwendung der Rohdaten der Y/X-Antworten im Vergleich zur Verwendung der Anteile von Y ein besserer oder schlechterer Ansatz ist?Mein Ziel ist es, bei Vorhersagen mit neuartigen Kombinationen von X1 und X2 einfach so genau und präzise wie möglich zu sein.
Betreff: Beschränken der Ausgabe des Anpassungsmodells (oder Vorhersageprofilers) auf einen BereichSie könnten einen dieser beiden Ansätze ausprobieren. Beide basieren auf der Logit-Transformation der Antwort Y. Der Logit erwartet ein Argument [0, 1] für die gewünschte Einschränkung, erzeugt jedoch eine Antwort [-infinity, infinity], die für die Regression erforderlich ist.
Ich habe einige Daten zusammengestellt, um diesen Ansatz zu veranschaulichen.
Wenden Sie die Logit-Transformation auf die Antwort Y im Dialogfeld „Modell anpassen“ an. Wählen Sie Analysieren > Modell anpassen und geben Sie die Datenspalten in die entsprechenden Analyserollen ein. Wählen Sie die Spalte in der Y-Rolle aus, klicken Sie dann auf das rote Dreieck neben „Transformieren“ und wählen Sie „Logit“ aus.
Ihr Ergebnis wird Ihnen bekannt sein, Sie können beispielsweise den Profiler verwenden, aber die Einschränkung sollte gelten.
Der andere Ansatz besteht darin, ein verallgemeinertes lineares Modell zu verwenden. Beginnen Sie wie zuvor, wenden Sie die Transformation jedoch nicht an. Klicken Sie stattdessen auf „Persönlichkeit“ und wählen Sie „Verallgemeinertes lineares Modell“ aus. Klicken Sie auf Verteilung und wählen Sie Normal aus. Klicken Sie auf „Link“ und wählen Sie „Logit“ aus.
