Hintergrund:
- Die einfache lineare Regression geht davon aus, dass Fehler (und Antworten) normal sind, aber wenn die Normalität nicht der Fall ist, können Vorhersagen außerhalb des sinnvollen Bereichs liegen (vielleicht keine große Sache) und die Schlussfolgerung nicht zuverlässig ist (wahrscheinlich eine größere Sache).
- Verallgemeinerte lineare Modelle (GLM) gehen von einer anderen Verteilung als der Normalverteilung aus, zum Beispiel für:
Zähldaten (z. B. Anzahl der Mängel an einem Produkt)
Verzerrte Daten (z. B. Gehälter)
Proportionen
Labels (z. B. gut/neutral/schlecht oder gelb/blau/grün)
- Verallgemeinerte lineare Modelle (GLM) haben drei Bestandteile
- Eine Verteilung für die Antwort, die den Prädiktoren gegeben ist (das zufällige Stück)
- Ein linearer Prädiktor (das systematische Stück)
- Eine Link-Funktion (das Stück, das zufällige und systematische Stücke enthält)
Verwenden Sie das R-Quadrat, um Modelle zu vergleichen innerhalb eine Verteilung.
Verwenden Sie AICc und BIC (Informationskriterien) zum Vergleichen zwischen Verteilungen
AICc und BIC schätzen die Kullback-Leibler-Divergenz, die den Abstand vom angepassten Modell zur Wahrheit darstellt
Verwenden Sie sie, um Modelle zu vergleichen innerhalb die gleiche Verteilung und über verschiedene Distributionen
Faustregel: AIC tendiert zu Overfit und BIC tendiert zu Underfit
- Allgemeine Richtlinien für die Auswahl von Verteilungen für Continuous Response
Haben wir negative Werte? Normal verwenden
Ist es an (0,1) gebunden?Verwenden Sie Beta
Steigt die Varianz mit dem Mittelwert?Verwenden Sie Gamma, Weibull, Lognormal
Ist es time-to-event/zensiert? Verwenden Sie wahrscheinlich Weibull oder lognormal
Ein ziemlich guter Alleskönner? Normal verwenden
Vermuten wir, dass wir Ausreißer haben? Verwenden Sie Cauchy oder t(5)
- Verteilung auswählen, wenn die Antwort nicht numerisch ist
- Ist es zweistufig? Verwenden Sie die Binomie; (z. B. Ja/Nein oder A/B)
- Sind es 3+ Ebenen und die Reihenfolge ist wichtig? Ordinale Logistik verwenden. (z. B. Niedrig/Mittel/Hoch oder Klein/Mittel/Groß
- Sind es 3+ Ebenen und die Reihenfolge spielt keine Rolle?Verwenden Sie das Multinomial (z. B. Pizza/Hamburger/Burrito oder Rot/Blau/Grün/Orange)
Erfahren Sie, wie Sie Modelle mit Generalized Regression in JMP Pro auswählen, spezifizieren und erstellen, vergleichen und bewerten. Fragen und Antworten und ist während der gesamten Präsentation enthalten.
Ressourcen:
Während der Demo wurden diese Fragen behandelt:
Können Sie Null aufgeblasen für ein inverses Problem verwenden, bei dem Sie viele extrem hohe Maße haben?
Normalerweise betrachte ich Reaktionszeiten, die dazu neigen, einer ex-Gaußschen Verteilung zu folgen. Diese Verteilung ist eine Verschmelzung von Exponent und Normal. Empfehlungen für das zu verwendende Modell: Gamma, exponentiell?
Können wir ein GLMM (mit einem zufälligen Effekt im Modell) in JMP ausführen?
Ja, es wird in JMP Pro 17 derzeit von Early Adopters verwendet.
Zeigt JMP für Gamma Lambda und Varianz an?
Gibt es eine Möglichkeit, die Simulationsfunktion in JMP Pro zu verwenden, um eine Leistungsanalyse für ein ordinales logistisches Modell durchzuführen?
Hat die Simulationsspalte eine zufällige Komponente?
