Differenza tra Stepwise | Tutti i modelli possibili e regressione generalizzata | Miglior sottoinsiemeCiao, volevo solo sapere qual era la differenza tra l'utilizzo della stima Stepwise - Tutti i modelli possibili e il metodo di stima Regressione generalizzata - Miglior sottoinsieme.Mi sembra che dovrebbero produrre risultati uguali se la risposta è normalmente distribuita.Ho JMP 14 a 32 bit e ho scoperto che posso eseguire effetti massimi più grandi usando Best Subset, rispetto a tutti i possibili modelli a causa di limitazioni di memoria.
Re: Differenza tra Stepwise | Tutti i modelli possibili e regressione generalizzata | Miglior sottoinsieme@P_Bartel Grazie per il vostro consiglio!
Re: Differenza tra Stepwise | Tutti i modelli possibili e regressione generalizzata | Miglior sottoinsiemeAggiungerò alcuni pensieri aggiuntivi per integrare @Mark_Bailey Il saggio consiglio. Se si utilizzano più algoritmi di adattamento del modello, è generalmente consigliabile utilizzare una sorta di schema di convalida incrociata del modello. Quindi i risultati potrebbero differire se non per il tipo di scenario di convalida incrociata scelto. Alcuni di questi metodi hanno una componente "casuale", quindi i dati esatti utilizzati per adattare un modello possono differire da un passaggio all'altro attraverso il metodo di modellazione.
Inoltre, all'interno della piattaforma di regressione generalizzata, ci sono diverse personalità di modellazione. Le risposte differiranno leggermente in base alla personalità scelta. Alcune di queste personalità consentono ciò che chiamerò "un po' di distorsione nelle stime dei parametri" (rispetto alla classica regressione dei minimi quadrati ordinari) con un compromesso nel pregiudizio per ridurre al minimo la varianza di previsione. Tematicamente dovresti, con ogni probabilità, raggiungere conclusioni pratiche coerenti... ma se stai cercando una corrispondenza ESATTA nei risultati fino a cose come stime di parametri specifici, varianze di previsione, ecc... ci saranno differenze.
In pratica, quando si adattano molti diversi metodi lineari e non lineari (pensa a metodi come alberi di regressione/classificazione), quando si confrontano più metodi di modellazione, cerco la ragionevolezza e la coerenza delle conclusioni pratiche in tutti i metodi. La piattaforma di confronto dei modelli di JMP Pro è un centro commerciale unico molto efficiente per effettuare questi confronti. Questo a sua volta aumenta il mio livello di fiducia nel fatto che le conclusioni pratiche che sto raggiungendo sono il meglio che posso fare.
Re: Differenza tra Stepwise | Tutti i modelli possibili e regressione generalizzata | Miglior sottoinsiemeGrazie per la risposta.Ho trovato questo PDF che lo spiegava bene: Piattaforma GR
Re: Differenza tra Stepwise | Tutti i possibili modelli e regressione generalizzata | Miglior sottoinsiemeLa regressione graduale segue un percorso in avanti, indietro o in direzioni miste. Considera la possibilità di modificare il modello di un singolo mandato in base al modello attuale e ai termini candidati. Quindi c'è la possibilità che il modello migliore non sia stato visitato e la possibilità che ciò avvenga aumenta con il numero di candidature. Questo approccio consente di considerare molti termini possibili nella maggior parte delle situazioni pratiche.
L'opzione Tutti i modelli possibili, invece, visita tutti i modelli possibili fino alla complessità che hai specificato. La memoria e il tempo disponibili potrebbero limitare il numero pratico di termini che possono essere presi in considerazione.
L'opzione Regressione generalizzata è una via di mezzo. Ecco la spiegazione dell'Aiuto:
Best Subset Calcola le stime dei parametri aumentando il numero di effetti attivi nel modello a ogni passaggio. In ogni step, il modello viene scelto tra tutti i possibili modelli con un numero di effetti dato dal numero di step. I valori sugli assi orizzontali dei grafici Solution Path rappresentano il numero di effetti attivi nel modello. Il passaggio 0 corrisponde al modello di sola intercettazione. Il passaggio 1 corrisponde al miglior modello tra quelli che contengono un solo effetto attivo. I passaggi continuano fino al valore del numero massimo di effetti specificato nei controlli avanzati nel rapporto di lancio del modello. Vedere "Controlli avanzati"
a pagina 309.Suggerimento: il miglior metodo di stima di sottoinsiemi è computazionalmente intensivo. Non è raccomandato per grandi problemi.
Spero che questa spiegazione aiuti.
Quindi non otterrai necessariamente lo stesso modello da tutti questi metodi e la distribuzione non ha nulla a che fare con il risultato, supponendo che tu usi la stessa distribuzione in tutti i casi.
Ricorda che questi metodi lo sono aiuta a selezionare un modello . Nessuno di loro garantisce che troverà il modello migliore.
