Différence entre étape par étape | Tous les modèles possibles et régression généralisée | Meilleur sous-ensembleBonjour, je voulais juste savoir quelle était la différence entre l'utilisation de l'estimation Stepwise - All Possible Models et la méthode d'estimation Generalized Regression - Best Subset.Il me semble qu'ils devraient produire des résultats égaux si leur réponse est normalement distribuée.J'ai JMP 14 32 bits et j'ai découvert que je pouvais exécuter des effets maximum plus importants en utilisant le meilleur sous-ensemble, qu'avec tous les modèles possibles en raison des limitations de mémoire.
Re : Différence entre étape par étape | Tous les modèles possibles et régression généralisée | Meilleur sous-ensemble@P_Bartell Merci pour votre conseil!
Re : Différence entre étape par étape | Tous les modèles possibles et régression généralisée | Meilleur sous-ensembleJ'ajouterai quelques réflexions supplémentaires pour compléter @Mark_Bailey de sages conseils. Si vous utilisez plusieurs algorithmes d'ajustement de modèle, il est généralement recommandé d'utiliser une sorte de schéma de validation croisée du modèle. Ainsi, les résultats peuvent différer si pour aucune autre raison le type de scénario de validation croisée qui est choisi. Certaines de ces méthodes ont une composante « aléatoire », de sorte que les données exactes utilisées pour ajuster un modèle peuvent différer d'un passage à l'autre de la méthode de modélisation.
Aussi, au sein de la plateforme Generalized Regression, il y a plusieurs personnalités de la modélisation. Les réponses différeront un peu en fonction de la personnalité choisie. Certaines de ces personnalités permettent ce que j'appellerai "un peu de biais dans les estimations des paramètres" (par rapport à la régression classique des moindres carrés ordinaires) avec un compromis de biais pour minimiser la variance de prédiction. Thématiquement, vous devriez, selon toute vraisemblance, parvenir à des conclusions pratiques cohérentes... mais si vous recherchez une correspondance EXACTE dans les résultats jusqu'à des choses comme des estimations de paramètres spécifiques, des variances de prédiction, etc... il y aura des différences.
En pratique, lors de l'ajustement de nombreuses méthodes linéaires et non linéaires (pensez à des méthodes telles que les arbres de régression / classification), lors de la comparaison de plusieurs méthodes de modélisation, je recherche le caractère raisonnable et la cohérence des conclusions pratiques dans toutes les méthodes. La plate-forme de comparaison de modèles de JMP Pro est un centre d'achat unique très efficace pour effectuer ces comparaisons. Cela augmente mon niveau de confiance dans le fait que les conclusions pratiques auxquelles j'arrive sont les meilleures que je puisse faire.
Re : Différence entre étape par étape | Tous les modèles possibles et régression généralisée | Meilleur sous-ensembleMerci d'avoir répondu.J'ai trouvé ce PDF qui l'explique bien : Plateforme GR
Re : Différence entre étape par étape | Tous les modèles possibles et régression généralisée | Meilleur sous-ensembleLa régression pas à pas suit un chemin vers l'avant, vers l'arrière ou dans des directions mixtes. Il envisage de changer le modèle par un seul terme basé sur le modèle actuel et les termes candidats. Il y a donc une chance que le meilleur modèle n'ait pas été visité et la chance que cela se produise augmente avec le nombre de termes candidats. Cette approche vous permet de considérer de nombreux termes possibles dans la plupart des situations pratiques.
L'option Tous les modèles possibles, en revanche, visite tous les modèles possibles jusqu'à la complexité que vous avez spécifiée. Votre mémoire disponible et votre temps peuvent limiter le nombre pratique de termes pouvant être pris en compte.
L'option Régression généralisée se situe quelque part entre les deux. Voici l'explication de l'aide :
Meilleur sous-ensemble Calcule les estimations des paramètres en augmentant le nombre d'effets actifs dans le modèle à chaque étape. A chaque étape, le modèle est choisi parmi tous les modèles possibles avec un nombre d'effets donné par le numéro de l'étape. Les valeurs sur les axes horizontaux des tracés du chemin de la solution représentent le nombre d'effets actifs dans le modèle. L'étape 0 correspond au modèle d'interception uniquement. L'étape 1 correspond au meilleur modèle de ceux qui ne contiennent qu'un seul effet actif. Les étapes continuent jusqu'à la valeur du nombre maximum d'effets spécifié dans les commandes avancées du rapport de lancement de modèle. Voir "Commandes avancées"
à la page 309.Conseil : la méthode d'estimation du meilleur sous-ensemble nécessite beaucoup de calculs. Il n'est pas recommandé pour les gros problèmes.
J'espère que cette explication vous aidera.
Vous n'obtiendrez donc pas nécessairement le même modèle à partir de toutes ces méthodes et la distribution n'a rien à voir avec le résultat, en supposant que vous utilisez la même distribution dans tous les cas.
Rappelez-vous que ces méthodes sont aide à la sélection d'un modèle . Aucun d'eux garantit qu'il trouvera le meilleur modèle.
