Während der Demo wurden folgende Fragen beantwortet:
Können Sie Null aufgeblasen für ein inverses Problem verwenden, bei dem Sie viele extrem hohe Maße haben?
Normalerweise betrachte ich Reaktionszeiten, die tendenziell einer Ex-Gaußschen Verteilung folgen. Diese Verteilung ist eine Verschmelzung eines Exponenten und einer Normalverteilung. Empfehlungen für das zu verwendende Modell: Gamma, exponentiell?
Können wir in JMP ein GLMM (mit einem zufälligen Effekt im Modell) ausführen?
Ja, es ist in JMP Pro 17 enthalten, das derzeit von Early Adopters verwendet wird.
Zeigt JMP für das Gamma Lamda und Varianz an?
Gibt es eine Möglichkeit, die Simulationsfunktion in JMP Pro zu verwenden, um eine Leistungsanalyse für ein ordinales Logistikmodell durchzuführen?
Enthält die Simulationsspalte eine Zufallskomponente?
Hintergrund:
- Bei der einfachen linearen Regression wird davon ausgegangen, dass Fehler (und Reaktionen) normal sind, aber wenn die Normalität nicht der Fall ist, können die Vorhersagen außerhalb des sinnvollen Bereichs liegen (vielleicht keine große Sache) und die Schlussfolgerung ist nicht zuverlässig (wahrscheinlich eine größere Sache).
- Generalisierte 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
Beschriftungen (z. B. gut/neutral/schlecht oder gelb/blau/grün)
- Generalisierte lineare Modelle (GLM) bestehen aus drei Komponenten
- Eine Verteilung für die Antwort angesichts der Prädiktoren (das Zufallsstück)
- Ein linearer Prädiktor (der systematische Teil)
- 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 zum Vergleich AICc und BIC (Informationskriterien). zwischen Verteilungen
AICc und BIC schätzen die Kullback-Leibler-Divergenz, also den Abstand zwischen dem angepassten Modell und der Wahrheit
Nutzen Sie sie, um Modelle zu vergleichen innerhalb die gleiche Verteilung und über verschiedene Distributionen
Faustregel: AIC tendiert zu einer Überanpassung und BIC tendiert zu einer Unteranpassung
- 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 zeitgemäß/zensiert? Verwenden Sie wahrscheinlich Weibull oder Lognormal
Ein ziemlich gutes Allheilmittel? Normal verwenden
Haben wir den Verdacht, dass wir Ausreißer haben? Verwenden Sie Cauchy oder t(5)
- Wählen Sie „Verteilung“, wenn die Antwort nicht numerisch ist
- Ist es zweistufig? Benutze die Binomia; (z. B. Ja/Nein oder A/B)
- Sind es 3+ Level und die Reihenfolge ist wichtig? Verwenden Sie Ordinallogistik. (z. B. Niedrig/Mittel/Hoch oder Klein/Mittel/Groß
- Sind es 3+ Level und die Reihenfolge spielt keine Rolle?Verwenden Sie das Multinomial (z. B. Pizza/Hamburger/Burrito oder Rot/Blau/Grün/Orange).
Erfahren Sie, wie Sie mithilfe der generalisierten Regression in JMP Pro Modelle auswählen, spezifizieren und erstellen, vergleichen und bewerten. Fragen und Antworten und ist in der gesamten Präsentation enthalten.
Ressourcen:
