diferencia entre paso a paso | Todos los modelos posibles y regresión generalizada | Mejor subconjuntoHola, solo quería saber cuál era la diferencia entre usar la estimación Stepwise - All Possible Models y la Regresión generalizada - el método de estimación Best Subset.Me parece que deberían producir resultados iguales si la respuesta se distribuye normalmente.Tengo JMP 14 de 32 bits y descubrí que puedo ejecutar efectos máximos más grandes con Mejor subconjunto que con Todos los modelos posibles debido a limitaciones de memoria.
Re: Diferencia entre paso a paso | Todos los modelos posibles y regresión generalizada | Mejor subconjunto@P_Bartell ¡Gracias por tu consejo!
Re: Diferencia entre paso a paso | Todos los modelos posibles y regresión generalizada | Mejor subconjuntoAgregaré algunos pensamientos adicionales para complementar @Mark_Bailey El sabio consejo de . Si usa varios algoritmos de ajuste de modelos, generalmente es una buena práctica usar algún tipo de esquema de validación cruzada de modelos. Por lo tanto, los resultados pueden diferir si no es por otra razón el tipo de escenario de validación cruzada que se elige. Algunos de estos métodos tienen un componente "aleatorio", por lo que los datos exactos que se utilizan para ajustar un modelo pueden diferir de una pasada a otra a través del método de modelado.
Además, dentro de la plataforma de Regresión Generalizada, hay varias personalidades de modelado. Las respuestas diferirán un poco según la personalidad elegida. Algunas de estas personalidades permiten lo que llamaré "un poco de sesgo en las estimaciones de los parámetros" (en comparación con la regresión clásica de mínimos cuadrados ordinarios) con una compensación en el sesgo para minimizar la varianza de la predicción. Temáticamente debería, con toda probabilidad, llegar a conclusiones prácticas consistentes... pero si está buscando una coincidencia EXACTA en los resultados hasta cosas como estimaciones de parámetros específicos, varianzas de predicción, etc... habrá diferencias.
En la práctica, al ajustar muchos métodos lineales y no lineales diferentes (piense en métodos como árboles de regresión/clasificación), al comparar múltiples métodos de modelado, busco la razonabilidad y la coherencia de las conclusiones prácticas en todos los métodos. La plataforma de comparación de modelos de JMP Pro es un centro de compras integral muy eficiente para realizar estas comparaciones. Esto, a su vez, eleva mi nivel de confianza en que las conclusiones prácticas a las que estoy llegando son las mejores que puedo hacer.
Re: Diferencia entre paso a paso | Todos los modelos posibles y regresión generalizada | Mejor subconjuntoGracias por la respuesta.Encontré este PDF que lo explica bien: Plataforma GR
Re: Diferencia entre paso a paso | Todos los modelos posibles y regresión generalizada | Mejor subconjuntoLa regresión por pasos sigue un camino en dirección hacia adelante, hacia atrás o en direcciones mixtas. Considera cambiar el modelo por un solo término basado en el modelo actual y los términos candidatos. Por lo tanto, existe la posibilidad de que no se haya visitado el mejor modelo y la posibilidad de que esto ocurra aumenta con el número de términos candidatos. Este enfoque le permite considerar muchos términos posibles en la mayoría de las situaciones prácticas.
La opción Todos los modelos posibles, por otro lado, visita todos los modelos posibles hasta la complejidad que usted especificó. La memoria y el tiempo disponibles pueden limitar el número práctico de términos que se pueden considerar.
La opción Regresión generalizada está en algún punto intermedio. Aquí está la explicación de la Ayuda:
Mejor subconjunto Calcula estimaciones de parámetros aumentando el número de efectos activos en el modelo en cada paso. En cada paso, el modelo se elige entre todos los modelos posibles con un número de efectos dado por el número de paso. Los valores en los ejes horizontales de los gráficos de Solution Path representan el número de efectos activos en el modelo. El paso 0 corresponde al modelo de solo intercepción. El paso 1 corresponde al mejor modelo de los que contienen un solo efecto activo. Los pasos continúan hasta el valor de Número máximo de efectos especificado en Controles avanzados en el informe de lanzamiento del modelo. Consulte “Controles avanzados”
en la página 309.Sugerencia: El método de estimación del mejor subconjunto es computacionalmente intensivo. No se recomienda para problemas grandes.
Espero que esta explicación ayude.
Por lo tanto, no obtendrá necesariamente el mismo modelo de todos estos métodos y la distribución no tiene nada que ver con el resultado, suponiendo que utilice la misma distribución en todos los casos.
Recuerde que estos métodos son ayudas para seleccionar un modelo . Ninguna de ellos garantiza que encontrará el mejor modelo.
