438519_fr-FR

liliconcom

Tutoriel pour les développeurs : Sélection de la distribution de régression généralisée JMP Pro appropriée pour votre réponse

Arrière plan:

• La régression linéaire simple suppose que les erreurs (et la réponse) sont normales, mais lorsque la normalité n'est pas le cas, les prédictions peuvent se situer en dehors de la plage significative (peut-être pas un gros problème) et l'inférence n'est pas fiable (probablement un gros problème)
• Les modèles linéaires généralisés (GLM) supposent une autre distribution que la normalité, par exemple pour :

  • Compter les données (par exemple, le nombre de défauts sur un produit)

  • Données biaisées (par exemple, les salaires)

  • Proportions

  • Étiquettes (par exemple, bon/neutre/mauvais ou jaune/bleu/vert)

• Les modèles linéaires généralisés (GLM) ont trois ingrédients
  • Une distribution pour la réponse compte tenu des prédicteurs (la pièce aléatoire)
  • Un prédicteur linéaire (la pièce systématique)
  • Une fonction de lien (la pièce que les pièces aléatoires et systématiques)

• Utilisez le R-carré pour comparer les modèles dans une répartition.

• Utilisez AICc et BIC (critères d'information.) pour comparer entre distributions

  • AICc et BIC estiment la divergence de Kullback-Leibler, qui est la distance entre le modèle ajusté et la vérité

  • Utilisez-les pour comparer les modèles dans la même distribution et de l'autre côté différentes distributions

  • Règle empirique : l'AIC a tendance à sur-adapter et le BIC à sous-adapter

• Directives générales pour le choix des distributions pour la réponse continue

  • Avons-nous des valeurs négatives ? Utiliser normalement

  • Est-il lié à (0,1) ?Utiliser la version bêta

  • La variance augmente-t-elle avec la moyenne ?Utiliser gamma, Weibull, log-normal

  • Est-ce time-to-event/censuré ? Utilisez probablement Weibull ou lognormal

  • Un bon fourre-tout ? Utiliser normalement

  • Soupçonnons-nous d'avoir des valeurs aberrantes ? Utilisez Cauchy ou t(5)

• Choisir Distribution lorsque la réponse n'est pas numérique
  • Est-ce à deux niveaux ? Utilisez le binôme ; (par exemple, Oui/Non ou A/B)
  • Est-ce 3+ niveaux et l'ordre est important ? Utilisez la logistique ordinale. (par exemple, faible/moyen/élevé ou petit/moyen/grand
  • Est-ce 3+ niveaux et l'ordre n'a pas d'importance ?Utilisez le multinomial (par exemple, Pizza/Hamburger/Burrito ou Rouge/Bleu/Vert/Orange)

Découvrez comment choisir, spécifier et créer, comparer et évaluer des modèles à l'aide de la régression généralisée dans JMP Pro. Q & A et est inclus tout au long de la présentation.

 

 

Ressources:

• Tutoriel pour les développeurs : Utilisation de la régression généralisée de JMP Pro pour mieux comprendre les données d'observation
• Tutoriel pour les développeurs : Utilisation de la régression généralisée de JMP Pro pour analyser les expériences conçues
• Documentation sur la régression généralisée

 

 

Modélisation statistique avancéeObjet : Tutoriel pour les développeurs : Sélection de la distribution de régression généralisée JMP Pro appropriée pour votre réponse

Au cours de la démo, ces questions ont été abordées :

 

Pouvez-vous utiliser zéro gonflé pour un problème inverse, où vous avez beaucoup de mesures extrêmement élevées ?

 

Je regarde généralement les temps de réaction, qui ont tendance à suivre une distribution ex-gaussienne. Cette distribution est une fusion d'un exposant et d'une normale. Recommandations pour le modèle à utiliser : Gamma, exponentiel ?

 

Pouvons-nous exécuter un GLMM (avec un effet aléatoire dans le modèle) dans JMP ?

Oui, c'est dans JMP Pro 17 actuellement utilisé par les premiers utilisateurs.

 

Pour le gamma, JMP affiche-t-il le lamda et la variance ?

 

Existe-t-il un moyen d'utiliser la fonction Simuler dans JMP Pro pour effectuer une analyse de puissance pour un modèle logistique ordinal ?

 

La colonne de simulation a-t-elle une composante aléatoire ?