Objet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesBienvenue dans la communauté. Je ne suis pas sûr de pouvoir fournir tous les conseils dont vous avez besoin concernant la modélisation sur ce forum. Quelle version de JMP utilisez-vous ? Il est également très difficile de donner des conseils avec si peu de contexte. Quelle est la réponse ? Dans quelle mesure êtes-vous confiant dans la mesure de la réponse ? Comment avez-vous obtenu l'ensemble de données ?
Il existe un certain nombre de statistiques à utiliser pour évaluer le sur-ajustement (par exemple, comparer le RSquare avec le RSquare Adj. Au fur et à mesure que ce delta augmente, il est évident que vous avez des termes sans importance dans le modèle, des RSquares négatifs d'un ensemble de données de validation ). En regardant le pdf que vous avez envoyé (il est beaucoup plus facile pour nous de regarder ce que vous avez lorsque vous joignez le tableau de données), c'est difficile à évaluer. Le RSquare indique que votre modèle explique <30 % de la variation des données. Le gène 4 apparaît comme le seul gène intéressant (p-value relativement significative). Les erreurs types semblent importantes.
Ces liens peuvent vous être utiles
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/estimation-method-options.shtml
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/example-of-the-model-comparison-table-in-generalized-regression.shtml#
Objet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesVous pouvez utiliser une forme de validation croisée pour évaluer le biais et la variance du sous-ajustement ou du surajustement des données.
Les réponses binomiales ou dichotomiques affichent généralement un degré d'incertitude plus élevé dans les prédictions par rapport à une réponse quantitative.
La question de ce qui est attendu ou acceptable est subjective. Il n'y a pas de règles ou d'orientations externes.
Intervalles de confiance étendus dans le profileur pour les régressions généralisées binomialesBonjour à tous,
Je fais de la modélisation prédictive et j'apprécierais des commentaires sur l'adéquation de mon modèle, car je suis novice en modélisation et je ne veux pas faire d'erreurs dans la sélection du modèle. J'ai une réponse catégorielle binomiale et des prédicteurs continus (n = 54, p = 15). J'ai choisi un modèle pénalisé, Elastic Net, et mon modèle semble avoir un bon ajustement (RSquare = 0,28, ROC = 0,7888, fichier PDF ci-joint).
Je suis préoccupé par les grands intervalles de confiance affichés dans les graphiques du profileur et je veux m'assurer que mon modèle n'est pas surajusté. Cela étant dit, l'exemple de régression générale binomiale présenté dans la documentation jmp présente également de larges intervalles de confiance, je me demande donc ce qui est acceptable/attendu avec une régression générale binomiale ( https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/example-of-binomial-generalized-regression.shtml# ).
Avez-vous des commentaires sur le fait que mon modèle montre des signes de sur-ajustement ou s'il semble sûr de continuer ? Y a-t-il d'autres paramètres que je devrais prendre en compte pour évaluer mon ajustement ?
Merci d'avance de jeter un oeil à ceci !
Exploration et visualisation des donnéesObjet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesSalut Mark,
Merci pour votre réponse!! J'utilise AICc comme validation, ce que je pensais être la meilleure option compte tenu de la petite taille de mon échantillon n = 54. Recommanderiez-vous d'utiliser un pli en k ou un oubli à la place ?
En ce qui concerne l'incertitude : l'un de mes objectifs est de pouvoir identifier les gènes qui ont une corrélation positive avec la réponse (c'est-à-dire que la probabilité de réponse est plus élevée lorsque le nombre de gènes est plus élevé). Serais-je incapable de le faire avec ces grands intervalles de confiance ? Mon choix d'utiliser des modèles de régression pénalisés est-il la meilleure voie à suivre, ou existe-t-il une autre méthode que vous recommanderiez qui pourrait fournir plus de certitude avec des échantillons de petite taille ? J'ai examiné de nombreuses méthodes et il semble qu'un modèle pénalisé soit privilégié pour les cas où le nombre de prédicteurs est supérieur à n/10 (selon le livre du Dr Frank Harrel sur les régressions généralisées et d'autres sources). Mais si ça ne va pas bien, je suppose que je devrais envisager d'autres méthodes. De plus, je viens de joindre mon tableau de données à ma question.
Je ne sais pas quelle est la portée de ce forum, donc mes excuses si mes questions sont en dehors de celui-ci! Pas de soucis si vous ne pouvez pas y répondre 
Merci !
Objet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesSalut Staman,
Merci pour votre réponse!! J'ai joint le tableau de données à ma question initiale. Je dois protéger un certain niveau de confidentialité, mais je peux dire que la réponse est un diagnostic médical et qu'elle est déterminée conformément aux directives médicales. Je suis certain que les diagnostics sont corrects selon ces lignes directrices. Les prédicteurs sont dérivés des données de séquençage en profondeur que nous avons générées. Nous avons commencé avec 6 000 réponses mesurées, et j'ai effectué une réduction des données (en aveugle à ces échantillons) ; après avoir réduit autant que possible, je me suis retrouvé avec 15 prédicteurs.
Il est possible que le chercheur de prédicteurs JMP mette en évidence de meilleurs prédicteurs que les 15 avec lesquels je me suis retrouvé, cependant, la littérature semble s'orienter vers des méthodes de réduction des données en aveugle pour les activités cliniques. Je suis d'accord qu'il semble que le gène 4 soit le seul prédicteur significatif de ce lot.
Merci pour le conseil concernant l'examen des indications de sur-ajustement dans le R^2 adj. valeur. Cette valeur ne semble pas être incluse dans ma sortie. Savez-vous que je peux le produire ? Merci!!
Objet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesAICc concerne la sélection de modèles parmi les candidats. Il ne traite pas de la validation. JMP propose diverses méthodes de validation croisée, selon que vous utilisez JMP ou JMP Pro. K-fold XV est généralement un bon choix pour les petits ensembles de données. Comparez l'AICc entre les ensembles de retenue de formation et de validation. Ils ne doivent pas être très différents.
Objet : Larges intervalles de confiance dans Profiler pour les régressions généralisées binomialesJe comprends le caractère sensible des données, mais la réponse est absente du tableau, donc impossible à modéliser. À peu près tout ce que je peux faire, c'est multivarié pour les gènes (et il y a quelques valeurs aberrantes).
Désolé, je n'ai pas pu résister (ce n'est pas censé être antagoniste, alors s'il vous plaît faites-moi plaisir):
J'ai dû rire face à ce commentaire. "t a réponse est un diagnostic médical et elle est déterminée selon les directives médicales. Je suis certain que les diagnostics sont corrects selon ces directives." Pas rire comme dans haha, mais rire en termes de sur la base de lignes directrices . Les lignes directrices sont par définition, non définitives. J'ai une maladie auto-immune rare qui a été mal diagnostiquée à plusieurs reprises par plusieurs docteurs. en utilisant des directives médicales (directives cliniques)...
Carrés R :
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/statistical-details-for-the-summary-of-fit-report.shtml
