Découvrez comment :
- Comprendre la régression de base
- Utiliser les moindres carrés standard
- Comprendre que les hypothèses de base sont que la réponse est normale et qu'il n'y a pas de multicolinéarité entre les facteurs
- Gérer la réponse continue avec des facteurs continus ou catégoriels
- Interpréter la ligne de meilleur ajustement qui minimise l'erreur entre les points et la « courbe » de régression
- Gérer les effets principaux, les interactions, etc.
- Appliquer la transformation de Box-Cox si nécessaire
- Utiliser la régression pas à pas
- Comprenez que la régression pas à pas est comme la méthode des moindres carrés standard qui ajoute des termes par "étapes" pour optimiser tous les facteurs
- Spécifiez 'Règle d'arrêt' et 'Direction' contrôle le processus
- Faire le modèle en cliquant sur un bouton
- Utilisez Logistique : Régression ordinale et nominale pour fournir une probabilité d'un résultat particulier
- Comprendre que ces techniques sont similaires aux moindres carrés standard, mais utilisent une réponse ordinale ou nominale (catégorielle)
- Comprendre que parfois la régression standard ne suffit pas
- JMP Pro Generalized Regression peut être utile pour les données non normales et fortement corrélées
- Les moindres carrés partiels (PLS) sont utiles lorsque les facteurs dépassent les observations
- Model Screening peut être utilisé pour trouver le meilleur modèle le plus rapidement
Questions de la session répondues par Peter Polito @Peter_Polito et Clovis Weisbart @cweisbart :
Q : Comment accédez-vous à la plate-forme Fit Stepwise ?
R : Il y a une option déroulante dans le coin supérieur droit lorsque vous êtes sur la plateforme Fit Model. Vous pouvez le modifier de Moindres carrés standard à Pas à pas.
Q : En enregistrant le script, cela signifie-t-il que, pour un nouvel ensemble de données, vous pouvez supprimer celui existant, le remplacer par le nouveau, l'enregistrer sous un nouveau nom et l'exécuter pour obtenir de nouveaux résultats ?
R : Oui, et les nouvelles données doivent avoir les mêmes noms de variable pour que le script fonctionne.
Q : Qu'est-ce qui est le plus important dans votre régression linéaire, la normalité de vos données brutes pour la sortie ou la normalité des résidus ?
R : Les deux sont importants. Si vous avez des réponses non normales (sortie), il s'agit d'une gradation, donc si c'est légèrement anormal, alors vous allez probablement bien. Si c'est très biaisé, alors ce n'est pas correct. Et si vous avez une non-normalité dans vos résidus, ce n'est pas correct. Cela signifie que vous avez une sorte de biais ou une sorte de facteur qui est en jeu dans votre modèle et qui n'est pas pris en compte.
Rappel: Dans JMP, une valeur de p comprise entre 0,01 et 0,05 est colorée en rouge ; moins de 0,01 est orange ; supérieur à 0,05 est noir.Le codage couleur peut être utile lorsque vous analysez plusieurs effets différents à la fois et que vous souhaitez rechercher dans les rapports des indices visuels d'importance statistique. En termes simples, une faible valeur de p suggère que l'hypothèse nulle est fausse et qu'il existe réellement un effet dans la population.
Q : Avec l'exemple où une distribution gamma était la meilleure, auriez-vous opté pour une transformation ou l'utilisation d'une modélisation linéaire généralisée lorsque vous modélisez, ou une approche qui est meilleure ?
R : Lorsque j'ai des données non normales, j'utilise la régression généralisée, qui est une fonctionnalité de JMP Pro. J'irais dans Analyser> Ajuster le modèle, puis glisserais mon cumulatif sur 12 mois dans ma réponse. À partir de là, je choisis Régression généralisée, ce qui me donne la possibilité d'appliquer la distribution de cette réponse particulière, et je pourrais donc sélectionner une distribution gamma et elle sera prise en compte dans la construction du modèle. Je le fais chaque fois que mes données ne sont pas normales. Parce que j'ai JMP Pro, j'y vais généralement de toute façon, car lorsque JMP Pro exécute une régression généralisée, il vous donne toujours une sortie Stardard Least Squares en plus de la sortie Generalized Regression.
Réponses aux questions lors des sessions précédentes sur ce sujet :
Q : Si deux prédicteurs/facteurs sont fortement corrélés l'un à l'autre et qu'ils affectent tous deux fortement le Y dans le modèle, JMP choisira-t-il simplement celui que vous avez répertorié en premier dans la plate-forme Fit Model comme ayant une faible valeur de p, puis en donnant la covariance une valeur de p très élevée puisqu'elle n'"ajoute" effectivement rien compte tenu de ladite covariance ?
R : La multicolinéarité est toujours une bonne question à étudier. Le facteur d'inflation de la variance (VIF) est une option potentielle. Dans le tableau Estimations des paramètres de la fenêtre du rapport, vous pouvez trouver une option pour évaluer le VIF en cliquant avec le bouton droit de la souris et en sélectionnant VIF sous Colonnes.
Q : Si vous avez trop de facteurs pour lesquels vous ne pouviez pas faire le pas en arrière, pouvez-vous quand même faire le pas en avant ?
R : Vous devriez pouvoir spécifier un modèle de sélection directe sous l'option "Direction". Avec de très nombreux prédicteurs potentiels, vous pouvez utiliser la plate-forme Predictor Screening, qui est une plate-forme incroyablement puissante pour la sélection de variables et l'identification des principaux facteurs. À partir de là, vous pouvez choisir un plus petit sous-ensemble de facteurs sur lesquels vous concentrer. Predictor Screening est disponible dans toutes les versions de JMP, et pas seulement dans JMP Pro.
Q : Stepwise prend-il en charge la multicolinéarité, car il est tout simplement peu probable qu'il choisisse des termes de modèle redondants ? Cela pourrait être trop avancé pour cette session et pourrait être interprété comme "ne vous en faites pas ; étape par étape prendra soin de vous si vous êtes trop paresseux pour tirer des termes colinéaires par vous-même".
Ressources
