Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoTengo tres variables que influyen en un valor (una proporción de 0 a 1).Cuando tomo el enfoque de crear un modelo lineal generalizado utilizando la plataforma de modelo de ajuste, obtengo una ecuación de predicción que funciona en gran medida pero aún permite predicciones por debajo de 0 o 1, si ingreso ciertos valores de variables.Esto no es deseable ya que se supone que la estimación es una proporción.
¿Hay alguna forma en la que pueda restringir esto, ya sea haciendo un cierto tipo de formateo o manipulación de datos (por ejemplo, una transformación de registro), o quizás un conjunto de condiciones establecidas en la plataforma Fit Model?
¡Gracias!
Ingeniería de Calidad y ProcesosRe: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoSí, tiene razón en que estas transformaciones esperan números en el dominio (0,1), no [0,1] o más allá. Hago lo que sugieres: reemplazo 0 con un número positivo muy pequeño, como 0.001, y 1 con un número ligeramente menor, como 0.999. Este cambio debería funcionar para usted.
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoHola, Mark,
Creo que tengo una pregunta relacionada aquí: he estado tratando de realizar una transformación LogitPct en datos de un experimento DoE. Estamos interesados en encontrar aquellos factores que maximicen el nivel medido de producto y también minimicen los niveles medidos de impurezas. LogitPct ayuda a garantizar que Prediction Profiler no proporcione rendimientos no realistas de más del 100 % para el producto o menos del 0 % para las impurezas.
El problema es que algunos de mis puntos de datos experimentales del DoE incluyen cero (por ejemplo, el nivel estaba por debajo del límite de detección del instrumento). Tanto Logit como LogitPct devuelven errores cuando se ejecuta el modelo, ya que tomar Log de 0 no está definido; creo que los límites para Logit y LogitPct en JMP son (0,1) en lugar de [0,1]. No quiero omitir estas filas del análisis, ya que eso "desimetiza" el DoE y reduce la cantidad de experimentos. ¿Hay algo que hacer más allá de volver a codificar los ceros en valores "ficticios" funcionalmente cercanos a cero, como 0.0001?
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoNo puede comparar AICc cuando cambia la respuesta. Piense en el proceso de ajuste general como encontrar la mejor Y = F(p|X) donde F es una función con parámetros p dados los datos fijos X. Puede cambiar cualquier cosa sobre F y comparar las diferencias con AICc, pero no puede cambiar nada sobre Y.
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoHe evaluado lo siguiente:
1. Logit GLM (normal) para predecir proporciones en datos agregados: AICc -57.2
2. GLM (binomial) Logit para predecir Evento/No evento en datos sin procesar: AICc 1907, me da probabilidad de No evento
3. Logística nominal para predecir evento/no evento en datos sin procesar: AICc 1907, me da probabilidad de evento y probabilidad de no evento, y una evaluación "más probable" basada en si p (evento) o p (no -Evento) es mayor
He leído que un valor AICc más bajo es un indicador de un mejor modelo.Una preocupación que tengo con el uso de datos binarios sin procesar son las clasificaciones erróneas (según la matriz de confusión, veo una cantidad considerable de predicciones erróneas en el conjunto de entrenamiento).¿Consideraríamos que las diferencias entre los valores de AICc (~1964) están sustancialmente a favor de que la Opción 1 sea el enfoque superior?Estoy perfectamente feliz con una proporción como mi salida.
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoEn cierto sentido, tu razón Y/X ya es una probabilidad. El estimador de máxima verosimilitud para la probabilidad de un evento es la proporción del evento del total de eventos y no eventos.
Mucha gente usa la regresión logística para su propósito. Los datos sin procesar son recuentos como los que usted tiene. La respuesta es de evento o no ventilación y se modela con una distribución binomial. La regresión logística o, de manera equivalente, GLM con la distribución binomial y la función de enlace logit abordan estos problemas directamente. ¿Has considerado este enfoque?
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rango¡Gracias Marcos!Eso es lo que estaba buscando.Como seguimiento:
En mi conjunto de datos, tenemos X1 X2 y una proporción de encuestados que respondieron Y, ya que varios encuestados vieron diferentes combinaciones X1 X2 (por ejemplo, 100 encuestados, cada uno mirando un conjunto de 10 combinaciones X1 X2) y respondieron Y o algo más ( X).
Dado que mis datos sin procesar tienen la respuesta de Y/X para cada combinación X1 X2, también podría modelar la probabilidad de Y/X como una función de X1 y X2 usando la capacidad logística nominal.Esto produce una expresión de predicción y una matriz de confusión.
¿Tiene alguna idea sobre si usar los datos sin procesar de las respuestas Y/X es un enfoque mejor o peor en comparación con el uso de las proporciones de Y?Mi objetivo es simplemente ser lo más exacto y preciso posible al hacer predicciones con combinaciones novedosas de X1 y X2.
Re: Restricción de la salida del modelo de ajuste (o generador de perfiles de predicción) a un rangoPuede probar uno de estos dos enfoques. Ambos se basan en la transformada logit de la respuesta Y. El logit espera un argumento [0, 1] para la restricción que desea pero produce una respuesta [-infinito, infinito] que requiere la regresión.
Me burlé de algunos datos para ilustrar este enfoque.
Aplique la transformación Logit a la respuesta Y en el cuadro de diálogo Ajustar modelo. Seleccione Analizar > Ajustar modelo e ingrese las columnas de datos en los roles de análisis respectivos. Seleccione la columna en el rol Y, luego haga clic en el triángulo rojo junto a Transformar y seleccione Logit.
Su resultado le resultará familiar, puede usar Profiler, por ejemplo, pero se debe aplicar la restricción.
El otro enfoque es utilizar un modelo lineal generalizado. Comience como antes pero no aplique la transformación. En su lugar, haga clic en Personalidad y seleccione Modelo lineal generalizado. Haga clic en Distribución y seleccione Normal. Haga clic en Vincular y seleccione Iniciar sesión.
