Régression pas à pas avec restriction d'héréditéChers tous,
Je souhaite automatiser un processus de sélection de modèle via des scripts à l'aide de la plate-forme de modèle Fit utilisant une régression pas à pas pour une analyse de stabilité (je connais également la plate-forme de stabilité dans JMP mais pour les "raisons" je souhaite utiliser le modèle Fit).
Mes termes sont Durée de stockage, ID de lot et Durée de stockage*ID de lot. En utilisant la régression pas à pas, l'idée est maintenant de laisser les termes dans le modèle avec une valeur p <0,25. Un script initial ressemblait (en partie) à ceci :
Y( :response ),
Effects(
:"Storage Time (2-8°C Analysis)"n, :Batch ID, :"Storage Time (2-8°C Analysis)"n * :Batch ID,
),
Center Polynomials( 0 ),
Personality( "Stepwise" ),
Run(
Stopping Rule( "P-value Threshold" ),
Prob to Leave( 0.25 ),
Direction( "forward" ),
Rules( "Whole Effects" )
)
Mon problème est maintenant qu'en utilisant la règle "Effets globaux", les termes sont exclus sans suivre le principe hiérarchique, ce qui signifie que mon modèle est contenu après avoir utilisé le registre par étapes. par exemple L'effet d'interaction et de temps, mais pas l'effet de lot. Voir également:
Je sais qu'il existe également la règle de combinaison ou de restriction (pour avoir une hiérarchie), mais en appliquant ces règles, mon terme Batch ID (multi-niveau) est divisé en différents groupes, ce qui n'est pas mon souhait. Je veux vraiment avoir tout l'effet Batch ID s'il est significatif (ou son interaction avec le temps).
Existe-t-il donc un moyen de combiner l'affichage du terme « Effet global » avec le principe hiérarchique de sélection de modèle ? Un script fonctionnerait également pour moi. 
J'espère avoir pu clarifier ma question.
Merci d'avance pour toute solution ou remarque !
Meilleur Johann
Modélisation statistique avancéeÉtudes de consommation et de marchéExploration et visualisation des donnéesModélisation prédictive et apprentissage automatiqueRe : Régression pas à pas avec restriction d'hérédité
@JohannD a écrit:
Pour autant que je sache, JMP 17 dispose désormais d'une case à cocher pour prédéfinir l'utilisation du MSE poolé dans la plateforme de stabilité. Malheureusement, ni moi ni notre service QC n'avons cette version.
JMP 17 est une mise à niveau gratuite incluse dans la plupart des licences. Contactez l'administrateur du logiciel JMP de votre organisation et encouragez-le à se procurer JMP 17. Ils ont récemment reçu des informations sur la manière de l'obtenir.
Si vous ne savez pas qui est votre administrateur du logiciel JMP, vous pouvez contacter le support technique ( support@jmp.com ) et ils pourront vous aider à vous mettre en contact.
Re : Régression pas à pas avec restriction d'héréditéSalut Mark,
merci beaucoup pour votre réponse rapide. La procédure basée sur ICHQ1E que vous avez mentionnée m'est familière, ainsi que la façon d'effectuer l'analyse dans Fit Model. Le fait est que je souhaite automatiser le processus de sélection de modèle (exclure les termes avec une valeur p > 0,25 selon le principe hiérarchique) pour notre département QC. Pensez-vous qu'il existe un moyen de scripter cela ?
Je ne souhaite pas utiliser la plate-forme de stabilité dans JMP car cette plate-forme utilise pour différentes interceptions/pentes différentes le MSE non poolé. Cependant, ICHQ1E demande le MSE regroupé pour l'analyse, qui est en effet également utilisé en utilisant la plate-forme Fit Model (également avec un modèle d'ordonnée à l'origine/de pente différent). Et l’utilisation de MSE groupés ou non pourrait avoir un impact significatif sur le calcul de la date d’expiration.Pour autant que je sache, JMP 17 dispose désormais d'une case à cocher pour prédéfinir l'utilisation du MSE poolé dans la plateforme de stabilité. Malheureusement, ni moi ni notre service QC n'avons cette version. C'est pourquoi je recherche une « solution de contournement » automatisée via un script utilisant la plateforme de modèles d'ajustement.
Cordialement
Johanne
Re : Régression pas à pas avec restriction d'héréditéJe crois qu'on ne peut pas combiner les règles. Vous ne pouvez sélectionner et utiliser qu'une seule règle à la fois.
Vous avez un cas simple d'instabilité linéaire avec possibilité de différences entre lots. Vous pourriez éviter les limitations et les frais généraux de Stepwise. La sélection du modèle peut être plus facile en utilisant une approche directe basée sur l'ajustement des moindres carrés au lieu de pas à pas puisque vous ne disposez que de trois termes. Testez la poolabilité (sélection du modèle) si vous suivez ICH Q1E et Q1A.
- Ajustez le modèle complet (origine, lot, temps, interaction) avec Ajuster les moindres carrés.
- Examinez les valeurs p de l’interaction.
- Si l'interaction est significative, estimez la date d'expiration pour chaque lot et choisissez la durée de vie la plus courte.
- Ajustez le modèle réduit sans le terme d'interaction s'il n'est pas significatif et utilisez une pente commune.
- Si le lot est important en utilisant le deuxième modèle, estimez la date d'expiration pour chaque lot et choisissez la durée de vie la plus courte.
- Ajustez le modèle réduit sans l'effet de lot s'il n'est pas significatif dans le deuxième ajustement et utilisez une intersection commune.
- Si le temps est important, déterminez l'expiration à l'aide du modèle réduit.
Fit Least Squares prend également en charge la prédiction inverse, de sorte que vous pouvez déterminer immédiatement l'expiration pour l'un des trois cas de poolabilité.
