438519_ko-KR

liliconcom

Re: 개발자 튜토리얼: 응답에 적합한 JMP Pro 일반화 회귀 분포 선택

데모 중에 다음 질문이 해결되었습니다.

 

극단적으로 높은 측정값이 많이 있는 역 문제에 팽창된 0을 사용할 수 있습니까?

 

나는 일반적으로 가우스 분포를 따르는 경향이 있는 반응 시간을 살펴봅니다. 그 분포는 지수와 정규의 융합입니다. 사용할 모델에 대한 권장사항: 감마, 지수?

 

JMP에서 GLMM(모델에 무작위 효과 포함)을 실행할 수 있나요?

예, 현재 얼리 어답터가 사용하는 JMP Pro 17에 있습니다.

 

감마의 경우 JMP는 람다와 분산을 표시합니까?

 

JMP Pro의 시뮬레이션 기능을 사용하여 순서형 로지스틱 모형에 대한 검정력 분석을 수행할 수 있는 방법이 있습니까?

 

시뮬레이션 열에 임의의 구성 요소가 있습니까?

 

 

개발자 튜토리얼: 응답에 적합한 JMP Pro 일반화 회귀 분포 선택

배경:

• 단순 선형 회귀는 오류(및 응답)가 정상이라고 가정하지만 정규성이 그렇지 않은 경우 예측은 의미 있는 범위를 벗어날 수 있으며(큰 문제는 아닐 수도 있음) 추론은 신뢰할 수 없습니다(아마도 더 큰 문제).
• 일반화 선형 모델(GLM)은 정규성이 아닌 다른 분포를 가정합니다. 예를 들면 다음과 같습니다.

  • 카운트 데이터(예: 제품의 결함 수)

  • 왜곡된 데이터(예: 급여)

  • 크기

  • 라벨(예: 양호/중립/나쁨 또는 노란색/파란색/녹색)

• 일반화 선형 모델(GLM)에는 세 가지 구성 요소가 있습니다.
  • 예측변수(무작위 조각)가 주어진 반응에 대한 분포
  • 선형 예측자(체계적인 부분)
  • 링크 기능(임의적이고 체계적인 조각)

• R-제곱을 사용하여 모델 비교 이내에 배포.

• AICc와 BIC(정보 기준)를 사용하여 비교하세요. ~ 사이 분포

  • AICc와 BIC는 적합 모델에서 진실까지의 거리인 Kullback-Leibler 발산을 추정합니다.

  • 모델을 비교하는 데 사용하세요 이내에 동일한 분포와 가로질러 다양한 분포

  • 경험 법칙: AIC는 과적합되는 경향이 있고 BIC는 과소적합되는 경향이 있습니다.

• 지속적 응답을 위한 분포 선택을 위한 일반 지침

  • 부정적인 가치가 있습니까? 일반 사용

  • (0,1)에 바인딩되어 있나요?베타 사용

  • 평균에 따라 분산이 증가합니까?감마, Weibull, 로그 정규 사용

  • 이벤트/검열 시간이 정해져 있나요? 아마도 Weibull이나 로그노멀을 사용할 것입니다.

  • 꽤 좋은 포괄 기능이 있나요? 일반 사용

  • 이상값이 있다고 의심되나요? Cauchy 또는 t(5) 사용

• 반응이 숫자가 아닌 경우 분포 선택
  • 2레벨인가요? 이항법을 사용하십시오. (예: 예/아니요 또는 A/B)
  • 레벨이 3개 이상이면 순서가 중요합니까? 순서형 로지스틱을 사용합니다. (예: 낮음/중간/높음 또는 소형/중형/대형
  • 레벨이 3개 이상이면 순서는 중요하지 않나요?다항식 사용(예: 피자/햄버거/부리또 또는 빨간색/파란색/녹색/주황색)

JMP Pro의 일반화 회귀를 사용하여 모델을 선택, 지정, 구축, 비교, 평가하는 방법을 알아보세요. Q&A는 프레젠테이션 전반에 걸쳐 포함됩니다.

 

 

자원:

• 개발자 튜토리얼: JMP Pro 일반화 회귀를 사용하여 관측 데이터를 더 잘 이해합니다.
• 개발자 튜토리얼: JMP Pro 일반화 회귀를 사용하여 설계된 실험 분석
• 일반화 회귀 문서

 

 

고급 통계 모델링