438519_es-ES

liliconcom

Re: 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 me fijo en los tiempos de reacción, que tienden a seguir una distribución ex gaussiana. Esa distribución es una combinación de un exponente y una normal. Recomendaciones de modelo a utilizar: Gamma, ¿exponencial?

 

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

Sí, está en JMP Pro 17 que utilizan actualmente los primeros usuarios.

 

Para la gamma, ¿JMP muestra lamda y varianza?

 

¿Existe alguna forma de utilizar la función Simular en JMP Pro para realizar un análisis de potencia para un modelo logístico ordinal?

 

¿La columna de simulación tiene un componente aleatorio?

 

 

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

Fondo:

• La regresión lineal simple supone que los errores (y la respuesta) son normales, pero cuando la normalidad no es el caso, las predicciones pueden quedar fuera del rango significativo (quizás no sea gran cosa) y la inferencia no es confiable (probablemente algo más importante)
• Los modelos lineales generalizados (GLM) asumen alguna distribución distinta a 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/neutral/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 piezas aleatorias y sistemáticas)

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

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

  • AICc y BIC estiman la divergencia de Kullback-Leibler, que es la distancia entre el modelo ajustado y la verdad

  • Úsalos para comparar modelos. dentro la misma distribución y al otro lado de diferentes distribuciones

  • Regla general: AIC tiende a sobreadaptarse y BIC tiende a desadaptarse

• Pautas generales para elegir Distribuciones para Respuesta Continua

  • ¿Tenemos valores negativos? uso normal

  • ¿Está vinculado 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 resumen? uso normal

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

• Elegir Distribución cuando la respuesta no es numérica
  • ¿Es de dos niveles? Utilice la binomia; (p. ej., Sí/No o A/B)
  • ¿Son más de 3 niveles y el orden importa? Utilice logística ordinal. (p. ej., Bajo/Medio/Alto o Pequeño/Medio/Grande
  • ¿Son más de 3 niveles y el orden no importa?Utilice el multinomial (p. ej., pizza/hamburguesa/burrito o rojo/azul/verde/naranja)

Vea cómo elegir, especificar y crear, comparar y evaluar modelos utilizando 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 de observación
• Tutorial para desarrolladores: uso de la regresión generalizada de JMP Pro para analizar experimentos diseñados
• Documentación de regresión generalizada

 

 

Modelado estadístico avanzado