nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

438519_it-IT

liliconcom

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

Durante la demo sono state affrontate queste domande:

Puoi usare lo zero inflazionato per un problema inverso, in cui hai molte misure estremamente elevate?

Di solito guardo i tempi di reazione, che tendono a seguire una distribuzione ex gaussiana. Quella distribuzione è una fusione di un esponente e di una normale. Consigli per il modello da utilizzare: Gamma, esponenziale?

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

Sì, è presente in JMP Pro 17 attualmente utilizzato dagli Early Adopter.

Per la gamma, JMP visualizza lambda e varianza?

Esiste un modo per utilizzare la funzione Simulazione in JMP Pro per eseguire un'analisi energetica per un modello logistico ordinale?

La colonna simulata ha una componente casuale?

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

Sfondo:

La regressione lineare semplice presuppone che gli errori (e la risposta) siano normali, ma quando la normalità non è tale, le previsioni potrebbero non rientrare nell'intervallo significativo (forse non è un grosso problema) e l'inferenza non è affidabile (probabilmente un grosso problema)
I modelli lineari generalizzati (GLM) presuppongono una distribuzione diversa dalla normalità, ad esempio per:
- Contare i dati (ad esempio, il numero di difetti su un prodotto)
- Dati distorti (ad esempio, salari)
- Proporzioni
- Etichette (ad esempio, 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 pezzi casuali e sistematici)
Utilizza 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 realtà
- Usateli per confrontare i modelli entro la stessa distribuzione e attraverso diverse distribuzioni
- Regola empirica: AIC tende a sovrastimare e BIC tende a sottostimare
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, lognormale
- È tempo di eventi/censurato? Probabilmente usa Weibull o lognormal
- Un bel tuttofare? Usa normale
- Sospettiamo di avere valori anomali? Utilizzare Cauchy o t(5)
Scegliere Distribuzione quando la risposta non è numerica
- E' a due livelli? Usa il binomio; (ad esempio, Sì/No o A/B)
- Sono 3+ livelli e l'ordine è importante? Utilizzare la logistica ordinale. (ad esempio, Basso/Medio/Alto o Piccolo/Medio/Grande
- Sono 3+ livelli e l'ordine non ha importanza?Utilizza il multinomiale (ad esempio, Pizza/Hamburger/Burrito o Rosso/Blu/Verde/Arancione)

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