438519_it-IT

liliconcom

Tutorial per sviluppatori: selezione della distribuzione di regressione generalizzata JMP Pro appropriata per la tua risposta

Sfondo:

• La regressione lineare semplice presuppone che gli errori (e la risposta) siano normali, ma quando la normalità non è il caso, le previsioni potrebbero non rientrare nell'intervallo significativo (forse non un grosso problema) e l'inferenza non è affidabile (probabilmente un problema maggiore)
• I modelli lineari generalizzati (GLM) presuppongono una distribuzione diversa dalla normalità, ad esempio per:

  • Contare i dati (ad es. numero di difetti su un prodotto)

  • Dati distorti (ad es. stipendi)

  • Proporzioni

  • Etichette (ad es. buono/neutro/cattivo o giallo/blu/verde)

• I modelli lineari generalizzati (GLM) hanno tre ingredienti
  • Una distribuzione per la risposta dati i predittori (il pezzo casuale)
  • Un predittore lineare (il pezzo sistematico)
  • Una funzione di collegamento (il pezzo che contiene pezzi casuali e sistematici)

• Usa il quadrato R per confrontare i modelli entro una distribuzione.

• Utilizzare AICc e BIC (criteri di informazione.) per confrontare fra distribuzioni

  • AICc e BIC stimano la divergenza di Kullback-Leibler, che è la distanza dal modello adattato alla verità

  • Usali per confrontare i modelli entro la stessa distribuzione e attraverso diverse distribuzioni

  • Regola pratica: l'AIC tende a sovraadattarsi e il BIC tende a non adattarsi

• Linee guida generali per la scelta delle distribuzioni per la risposta continua

  • Abbiamo valori negativi? Usa normale

  • È legato a (0,1)?Usa la versione beta

  • La varianza aumenta con la media?Usa gamma, Weibull, lognormal

  • È tempo di eventi/censurati? Probabilmente usa Weibull o lognormal

  • Un bel po' di tutto? Usa normale

  • Sospettiamo di avere valori anomali? Usa Cauchy o t(5)

• Scegliere Distribuzione quando la risposta non è numerica
  • È a due livelli? Usa il binomio; (es. Sì/No o A/B)
  • Sono 3+ livelli e l'ordine conta? Usa la logistica ordinale. (es. Basso/Medio/Alto o Piccolo/Medio/Grande
  • Sono 3+ livelli e l'ordine non ha importanza?Usa il Multinomiale (es. Pizza/Hamburger/Burrito o Rosso/Blu/Verde/Arancio)

Scopri come scegliere, specificare e creare, confrontare e valutare i modelli utilizzando la regressione generalizzata in JMP Pro. Domande e risposte ed è incluso durante la presentazione.

 

 

Risorse:

• Tutorial per sviluppatori: utilizzo della regressione generalizzata di JMP Pro per comprendere meglio i dati osservazionali
• Tutorial per sviluppatori: utilizzo della regressione generalizzata di JMP Pro per analizzare esperimenti progettati
• Documentazione di regressione generalizzata

 

 

Modellazione statistica avanzataRi: Tutorial per sviluppatori: selezione della distribuzione di regressione generalizzata JMP Pro appropriata per la tua risposta

Durante la demo, sono state poste queste domande:

 

Puoi usare zero gonfiato per un problema inverso, dove hai molte misure estreme?

 

In genere guardo ai tempi di reazione, che tendono a seguire una distribuzione ex gaussiana. Quella distribuzione è una fusione di esponente e normale. Raccomandazioni per il modello da utilizzare: Gamma, esponenziale?

 

Possiamo eseguire un GLMM (con un effetto casuale nel modello) in JMP?

Sì, è in JMP Pro 17 attualmente utilizzato da Early Adopters.

 

Per la gamma, JMP mostra lamda e varianza?

 

Esiste un modo per utilizzare la funzione Simula in JMP Pro per eseguire un'analisi della potenza per un modello logistico ordinale?

 

La colonna simula ha una componente casuale?