Découvrez comment :
- Comprendre la régression de base
- Utiliser les moindres carrés standards
- 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 une 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 Box-Cox si nécessaire
- Utiliser la régression pas à pas
- Comprendre 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 » pour contrôler le processus
- Réalisez le modèle en cliquant sur un bouton
- Utilisez la logistique : régression ordinale et nominale pour fournir une probabilité d'un résultat particulier.
- Comprendre que ces techniques sont similaires aux moindres carrés standards, mais utilisent une réponse ordinale ou nominale (catégorique)
- Comprendre que parfois la régression standard ne suffit pas
- La régression généralisée JMP Pro peut être utile pour les données non normales et hautement corrélées.
- Les moindres carrés partiels (PLS) sont utiles lorsque les facteurs dépassent les observations
- La sélection de modèles peut être utilisée pour trouver le meilleur modèle le plus rapidement possible.
Rappel: Dans JMP, une valeur 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 s'avérer utile lorsque vous analysez plusieurs effets différents à la fois et que vous souhaitez rechercher dans les rapports des indices visuels statistiquement significatifs. En termes simples, une valeur p faible suggère que l’hypothèse nulle est fausse et qu’il existe réellement un effet dans la population.
Questions de la session répondues par Peter Polito @Peter_Polito et Clovis Weisbart @cweisbart :
Q : Comment accéder à la plateforme Fit Stepwise ?
R : Il existe une option déroulante dans le coin supérieur droit lorsque vous êtes sur la plateforme Ajuster le modèle. Vous pouvez le changer de Moindres carrés standard à Stepwise.
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 variables 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 (sortie) non normales, il s'agit d'une gradation, donc si c'est légèrement anormal, alors tout va probablement bien. Si c'est très asymétrique, alors ce n'est pas correct. Et si vous avez des valeurs non normales dans vos résidus, ce n'est pas acceptable. Cela signifie qu'il y a une sorte de biais ou une sorte de facteur en jeu dans votre modèle et qui n'est pas pris en compte.
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 serait meilleure ?
R : Lorsque j'ai des données non normales, j'utilise la régression généralisée, qui est une fonctionnalité de JMP Pro. J'allais dans Analyser> Ajuster le modèle, puis je faisais glisser mon cumul de 12 mois dans ma réponse. À partir de là, je choisis la régression généralisée, qui me donne la possibilité d'appliquer la distribution de cette réponse particulière, et ainsi je peux réellement sélectionner une distribution gamma et elle sera prise en compte dans la construction du modèle. Je fais cela 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 des moindres carrés standard en plus de la sortie de régression généralisée.
Q : JMP déploie-t-il un CHAID exhaustif (détection automatique des interactions du chi carré) ?
R : Le partitionnement récursif JMP est CART et non CHAID. Dans nos arbres de classification et de régression, nous avons des divisions binaires à chaque point, et CHAID permet plusieurs divisions d'une variable à chaque étape.Voir la documentation sur le détails statistiques pour la partition.
Q : Existe-t-il une situation dans laquelle vous conserveriez les facteurs avec des valeurs p supérieures à 0,05 dans votre modèle ?
R : Oui, il y a au moins deux cas et il peut y en avoir d'autres au cas par cas. Parfois, l’effet principal est insignifiant mais il fait partie d’une interaction significative. Ou bien, vous pouvez avoir un facteur dont vous savez qu’il fait partie intégrante du produit final. Voici un exemple:
Questions répondues lors des sessions précédentes sur ce sujet :
Q : Si deux prédicteurs/facteurs sont fortement corrélés l'un avec 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 plateforme Ajuster le modèle comme ayant une faible valeur p, puis en donnant la variable covariante ? une valeur p très élevée car elle n'ajoute effectivement rien étant donné ladite covariance ?
R : La multicolinéarité est toujours une bonne question à étudier. Le facteur d’inflation de 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 et en sélectionnant VIF sous Colonnes.
Q : Si vous avez trop de facteurs pour lesquels vous ne pouvez pas faire une marche arrière par étapes, pouvez-vous quand même faire une marche avant par étapes ?
R : Vous devriez pouvoir spécifier un modèle de sélection directe sous l'option "Direction". Avec de très nombreux prédicteurs potentiels, vous pouvez utiliser la plateforme Predictor Screening, qui est une plateforme incroyablement puissante pour la sélection de variables et l'identification des principaux facteurs. À partir de là, vous pouvez choisir un sous-ensemble plus restreint de facteurs sur lesquels vous concentrer. Predictor Screening est disponible dans toutes les versions de JMP, 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 ?
R : Cela pourrait être trop avancé pour cette session et pourrait être interprété comme : « ne vous inquiétez pas ; étape par étape s'occupera de vous si vous êtes trop paresseux pour extraire vous-même des termes colinéaires. »
Ressources
