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_ja-JP

liliconcom

Re: 開発者チュートリアル: 応答に適切な JMP Pro 一般化回帰分布の選択

デモでは、次のような質問が解決されました。

非常に高いメジャーがたくさんある逆問題にゼロを膨らませて使用できますか?

私は通常、反応時間を観察しますが、これは元ガウス分布に従う傾向があります。その分布は、指数と正規を組み合わせたものです。使用するモデルの推奨事項: ガンマ、指数関数?

JMP で GLMM (モデルにランダム効果を含む) を実行できますか?

はい、これは現在早期導入者によって使用されている JMP Pro 17 に含まれています。

ガンマの場合、JMP はラムダと分散を表示しますか?

JMP Pro のシミュレート機能を使用して、順序ロジスティックモデルの検出力解析を行う方法はありますか?

シミュレート列にはランダムなコンポーネントがありますか?

開発者チュートリアル: 応答に適切な JMP Pro 一般化回帰分布の選択

背景：

単線形回帰では、誤差 (および応答) が正常であると想定されますが、正規性が当てはまらない場合、予測は意味のある範囲から外れる可能性があり (おそらく大したことはない)、推論は信頼できません (おそらく大したことはありません)。
一般化線形モデル (GLM) は、正規性以外の分布を仮定します。たとえば、次のような分布です。
- カウントデータ (製品の欠陥数など)
- 偏ったデータ (給与など)
- プロポーション
- ラベル (例: 良い/中立/悪い、または黄色/青/緑)
一般化線形モデル (GLM) には 3 つの要素があります
- 予測子 (ランダムな部分) が与えられた場合の応答の分布
- 線形予測子 (体系的な部分)
- リンク機能（ランダムなピースと系統的なピース）
R 二乗を使用してモデルを比較する内で配布物。
AICc と BIC (情報基準) を使用して比較します。間分布
- AICc と BIC は、当てはめられたモデルから真実までの距離であるカルバック・ライブラー発散を推定します。
- モデルの比較に使用してください内で同じ分布と横切ってさまざまな分布
- 経験則: AIC は過剰適合する傾向があり、BIC は過小適合する傾向があります
継続的応答のためのディストリビューションを選択するための一般的なガイドライン
- 負の値はありますか? 通常の使用
- (0,1) にバインドされていますか?ベータ版を使用する
- 分散は平均とともに増加しますか?ガンマ、ワイブル、対数正規を使用する
- イベントまでの時間/検閲はありますか? おそらくワイブルか対数正規を使用します
- かなり優れたキャッチオールですか？通常の使用
- 異常値があると思われますか? Cauchy または t(5) を使用してください
応答が数値でない場合の分布の選択
- 二段なのかな？二項説を使用します。 (例: はい/いいえ、または A/B)
- レベルは 3 つ以上あり、順序は重要ですか? 順序ロジスティックを使用します。 (例: 低/中/高、または小/中/大
- レベルは 3 つ以上あり、順序は関係ありませんか?多項式を使用します (例: ピザ/ハンバーガー/ブリトー、または赤/青/緑/オレンジ)

JMP Pro で一般化回帰を使用してモデルを選択、指定、構築、比較、評価する方法をご覧ください。 Q&A はプレゼンテーション全体に含まれます。