Contraindre la sortie du modèle d'ajustement (ou le profileur de prédiction) à une plageJ'ai trois variables qui influencent une valeur (une proportion de 0 à 1).Lorsque j'adopte l'approche consistant à créer un modèle linéaire généralisé à l'aide de la plate-forme de modèle d'ajustement, j'obtiens une équation de prédiction qui fonctionne largement mais permet toujours des prédictions inférieures à 0 ou 1, si j'entre certaines valeurs de variables.Ceci n'est pas souhaité puisque l'estimation est censée être une proportion.
Existe-t-il un moyen de contraindre cela, soit en effectuant un certain type de formatage ou de manipulation de données (par exemple, une transformation de journal), ou peut-être un ensemble de conditions définies dans la plate-forme Fit Model ?
Merci!
AnalytiqueTableau de donnéesRe: Contraindre la sortie du modèle d'ajustement (ou le profileur de prédiction) à une plageVous pouvez essayer l'une de ces deux approches. Les deux sont basés sur la transformation logit de la réponse Y. Le logit attend un argument [0, 1] pour la contrainte souhaitée mais produit une réponse [-infinity, infinity] que la régression requiert.
J'ai simulé quelques données pour illustrer cette approche.
Appliquez la transformation Logit à la réponse Y dans la boîte de dialogue Ajuster le modèle. Sélectionnez Analyser > Ajuster le modèle et entrez les colonnes de données dans les rôles d'analyse respectifs. Sélectionnez la colonne dans le rôle Y, puis cliquez sur le triangle rouge à côté de Transformer et sélectionnez Logit.
Votre résultat vous sera familier, vous pouvez utiliser le Profiler par exemple, mais la contrainte doit s'appliquer.
L'autre approche consiste à utiliser un modèle linéaire généralisé. Commencez comme avant mais n'appliquez pas la transformation. Au lieu de cela, cliquez sur Personnalité et sélectionnez Modèle linéaire généralisé. Cliquez sur Distribution et sélectionnez Normal. Cliquez sur Lien et sélectionnez Logit.
Re: Contraindre la sortie du modèle d'ajustement (ou le profileur de prédiction) à une plageMerci Marc !C'est ce que je cherchais.En guise de suivi :
Dans mon ensemble de données, nous avons X1 X2 et une proportion de répondants qui ont répondu Y, puisque plusieurs répondants ont tous vu différentes combinaisons X1 X2 (par exemple 100 répondants examinant chacun un ensemble de 10 combinaisons X1 X2) et ont répondu Y ou autre chose ( X).
Étant donné que mes données brutes ont la réponse de Y/X pour chaque combinaison X1 X2, je serais également en mesure de modéliser la probabilité de Y/X en fonction de X1 et X2 en utilisant la capacité logistique nominale.Cela donne une expression de prédiction et une matrice de confusion.
Avez-vous une idée pour savoir si l'utilisation des données brutes des réponses Y/X est une approche meilleure ou pire par rapport à l'utilisation des proportions de Y ?Mon objectif est simplement d'être aussi précis et précis que possible lorsque je fais des prédictions avec de nouvelles combinaisons de X1 et X2.
Re : Contraindre la sortie du modèle d'ajustement (ou le profileur de prédiction) à une plageDans un sens, votre rapport Y/X est déjà une probabilité. L'estimateur du maximum de vraisemblance pour la probabilité d'un événement est la proportion de l'événement sur le total des événements et des non-événements.
Beaucoup de gens utilisent la régression logistique à vos fins. Les données brutes sont des comptes comme vous l'avez fait. La réponse est événementielle ou non-évent, et elle est modélisée avec une distribution binomiale. La régression logistique ou, de manière équivalente, le GLM avec la distribution binomiale et la fonction de lien logit résolvent directement ces problèmes. Avez-vous envisagé cette approche?
Re : Contraindre la sortie du modèle d'ajustement (ou du profileur de prédiction) à une plageJ'ai évalué les éléments suivants :
1. GLM (normal) Logit pour prédire les ratios sur données agrégées : AICc -57,2
2. GLM (binomial) Logit pour prédire l'événement/le non-événement sur des données brutes : AICc 1907, me donne la probabilité du non-événement
3. Logistique nominale pour prédire l'événement/non-événement sur des données brutes : AICc 1907, me donne la probabilité d'événement et la probabilité de non-événement, et une évaluation "la plus probable" selon que p(événement) ou p(non -Événement) est plus grand
J'ai lu qu'une valeur AICc inférieure est un indicateur d'un meilleur modèle.Une préoccupation que j'ai avec l'utilisation des données brutes binaires est les erreurs de classification (sur la base de la matrice de confusion, je vois un nombre important d'erreurs de prédiction sur l'ensemble d'apprentissage).Considérerions-nous les différences entre les valeurs AICc (~1964) comme étant substantiellement en faveur de l'option 1 comme étant l'approche supérieure ?Je suis parfaitement satisfait d'un ratio comme ma sortie.
Re : Contraindre la sortie du modèle d'ajustement (ou du profileur de prédiction) à une plageVous ne pouvez pas comparer AICc lorsque la réponse change. Considérez le processus d'ajustement général comme la recherche du meilleur Y = F(p|X) où F est une fonction avec des paramètres p étant donné les données fixes X. Vous pouvez changer n'importe quoi sur F et comparer les différences avec AICc, mais vous ne pouvez rien changer sur Y.
