438519_es-ES

liliconcom

Tutorial para desarrolladores: Selección de la distribución de regresión generalizada de JMP Pro adecuada para su respuesta

Fondo:

• La regresión lineal simple asume que los errores (y la respuesta) son normales, pero cuando la normalidad no es el caso, las predicciones pueden quedar fuera del rango significativo (tal vez no sea un gran problema) y la inferencia no es confiable (probablemente un problema mayor)
• Los modelos lineales generalizados (GLM) asumen alguna otra distribución que la normalidad, por ejemplo para:

  • Contar datos (p. ej., número de defectos en un producto)

  • Datos sesgados (p. ej., salarios)

  • Dimensiones

  • Etiquetas (p. ej., bueno/neutro/malo o amarillo/azul/verde)

• Los modelos lineales generalizados (GLM) tienen tres ingredientes
  • Una distribución para la respuesta dados los predictores (la pieza aleatoria)
  • Un predictor lineal (la pieza sistemática)
  • Una función de enlace (la pieza que las piezas aleatorias y sistemáticas)

• Utilice el R-cuadrado para comparar modelos dentro de una distribución

• Utilice AICc y BIC (criterios de información) para comparar Entre distribuciones

  • AICc y BIC estiman la divergencia Kullback-Leibler, que es la distancia del modelo ajustado a la verdad

  • Úsalos para comparar modelos. dentro de la misma distribución y a través de diferentes distribuciones

  • Regla general: AIC tiende a sobreajustarse y BIC tiende a no ajustarse

• Directrices generales para elegir Distribuciones para Respuesta Continua

  • ¿Tenemos valores negativos? uso normal

  • ¿Está ligado a (0,1)?Usar beta

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

  • ¿Es tiempo de evento/censurado? Probablemente use Weibull o lognormal

  • ¿Un buen cajón de sastre? uso normal

  • ¿Sospechamos que tenemos valores atípicos? Usar Cauchy o t(5)

• Elegir distribución cuando la respuesta no es numérica
  • es de dos niveles? Usa la binomia; (p. ej., Sí/No o A/B)
  • ¿Son más de 3 niveles y el orden es importante? Usar logística ordinal. (p. ej., Bajo/Medio/Alto o Pequeño/Mediano/Grande)
  • ¿Son más de 3 niveles y el orden no importa?Utilice el multinomio (p. ej., Pizza/Hamburguesa/Burrito o Rojo/Azul/Verde/Naranja)

Vea cómo elegir, especificar y construir, comparar y evaluar modelos usando la regresión generalizada en JMP Pro. Preguntas y respuestas y se incluye a lo largo de la presentación.

 

 

Recursos:

• Tutorial para desarrolladores: Uso de la regresión generalizada de JMP Pro para comprender mejor los datos observacionales
• Tutorial para desarrolladores: uso de la regresión generalizada de JMP Pro para analizar experimentos diseñados
• Documentación de regresión generalizada

 

 

Modelado Estadístico AvanzadoRe: Tutorial para desarrolladores: Selección de la distribución de regresión generalizada de JMP Pro adecuada para su respuesta

Durante la demostración, se abordaron estas preguntas:

 

¿Puedes usar cero inflado para un problema inverso, donde tienes muchas medidas extremadamente altas?

 

Normalmente miro los tiempos de reacción, que tienden a seguir una distribución ex-gaussiana. Esa distribución es una fusión de un exponente y normal. Recomendaciones para el modelo a utilizar: ¿Gamma, exponencial?

 

¿Podemos ejecutar un GLMM (con un efecto aleatorio en el modelo) en JMP?

Sí, está en JMP Pro 17 actualmente utilizado por los primeros usuarios.

 

Para gamma, ¿JMP muestra lamda y varianza?

 

¿Hay alguna manera de usar la función Simular en JMP Pro para hacer un análisis de potencia para un modelo de logística ordinal?

 

¿La columna de simulación tiene un componente aleatorio?