Sehen Sie, wie es geht:
- Grundlegende Regression verstehen
- Verwenden Sie die Standardmethode der kleinsten Quadrate
- Verstehen Sie, dass Grundannahmen sind, dass die Reaktion normal ist und es keine Multikollinearität zwischen den Faktoren gibt
- Behandeln Sie die kontinuierliche Reaktion mit kontinuierlichen oder kategorialen Faktoren
- Interpretieren Sie die Linie der besten Anpassung, die den Fehler zwischen den Punkten und der Regressionskurve minimiert.
- Umgang mit Haupteffekten, Interaktionen usw.
- Wenden Sie bei Bedarf die Box-Cox-Transformation an
- Verwenden Sie die schrittweise Regression
- Verstehen Sie, dass die schrittweise Regression wie die Standardmethode der kleinsten Quadrate ist, die Terme in „Schritten“ hinzufügt, um alle Faktoren zu optimieren
- Legen Sie eine „Stoppregel“ und eine „Richtung“ fest, die den Prozess steuern
- Erstellen Sie das Modell mit einem Klick auf die Schaltfläche
- Verwenden Sie Logistic: Ordinal & Nominal Regression, um eine Wahrscheinlichkeit für ein bestimmtes Ergebnis bereitzustellen
- Verstehen Sie, dass diese Techniken den Standardmethoden der kleinsten Quadrate ähneln, aber ordinale oder nominale Antworten verwenden (kategorisch)
- Verstehen Sie, dass die Standardregression manchmal nicht ausreicht
- JMP Pro Generalized Regression kann für Nichtnormalitäten und stark korrelierte Daten nützlich sein
- Partial Least Squares (PLS) ist nützlich, wenn Faktoren Beobachtungen übersteigen
- Model Screening kann verwendet werden, um das beste Model am schnellsten zu finden
Fragen aus der Sitzung, beantwortet von Peter Polito @Peter_Polito und Clovis Weisbart @cweisbart :
F: Wie gelangen Sie zur Fit Stepwise-Plattform?
A: Es gibt eine Dropdown-Option in der oberen rechten Ecke, wenn Sie sich auf der Plattform „Modell anpassen“ befinden. Sie können es von Standard Least Squares zu Stepwise ändern.
F: Bedeutet das Speichern des Skripts, dass Sie für einen neuen Datensatz den vorhandenen löschen, durch den neuen ersetzen, unter einem neuen Namen speichern und ausführen können, um neue Ergebnisse zu erhalten?
A: Ja, und die neuen Daten müssten dieselben Variablennamen haben, damit das Skript funktioniert.
F: Was ist bei Ihrer linearen Regression wichtiger, die Normalität Ihrer Rohdaten für die Ausgabe oder die Normalität der Residuen?
A: Beides ist wichtig. Wenn Sie nicht normale Antworten (Ausgabe) haben, ist es eine Abstufung, wenn es also leicht abnormal ist, dann geht es Ihnen wahrscheinlich gut. Wenn es sehr schief ist, dann ist es nicht in Ordnung. Und wenn Ihre Residuen Nicht-Normalität aufweisen, ist das nicht in Ordnung. Das bedeutet, dass Sie eine Art Voreingenommenheit oder einen Faktor haben, der in Ihrem Modell eine Rolle spielt, der nicht berücksichtigt wird.
Erinnerung: In JMP wird ein p-Wert zwischen 0,01 und 0,05 rot gefärbt; weniger als 0,01 ist orange; größer als 0,05 ist schwarz.Die Farbcodierung kann hilfreich sein, wenn Sie mehrere verschiedene Effekte gleichzeitig analysieren und in Berichten nach visuellen Hinweisen von statistischer Bedeutung suchen möchten. Einfach ausgedrückt deutet ein niedriger p-Wert darauf hin, dass die Nullhypothese falsch ist und dass es tatsächlich einen Effekt in der Bevölkerung gibt.
F: Hätten Sie sich bei dem Beispiel, in dem eine Gammaverteilung am besten war, für eine Transformation oder die Verwendung einer verallgemeinerten linearen Modellierung entschieden, wenn Sie modellieren, oder für einen Ansatz, der besser ist?
A: Wenn ich nicht normale Daten habe, verwende ich die generalisierte Regression, eine Funktion von JMP Pro. Ich würde zu Analysieren>Modell anpassen gehen und dann meine 12-Monats-Kumulation in meine Antwort ziehen. Von hier aus wähle ich Generalized Regression, was mir die Möglichkeit gibt, die Verteilung dieser bestimmten Antwort anzuwenden, und so könnte ich tatsächlich eine Gammaverteilung auswählen und sie wird bei der Modellkonstruktion berücksichtigt. Ich mache das jedes Mal, wenn meine Daten nicht normal sind. Da ich JMP Pro habe, gehe ich normalerweise sowieso einfach zu diesem, denn wenn JMP Pro eine verallgemeinerte Regression ausführt, erhalten Sie immer zusätzlich zur Ausgabe der verallgemeinerten Regression eine Stardard-Ausgabe der kleinsten Quadrate.
Fragen, die in früheren Sitzungen zu diesem Thema beantwortet wurden:
F: Wenn zwei Prädiktoren/Faktoren stark miteinander korrelieren und beide das Y im Modell stark beeinflussen, wählt JMP einfach denjenigen aus, den Sie zuerst auf der Plattform „Modell anpassen“ mit einem niedrigen p-Wert aufgeführt haben, und gibt dann die Kovariation an einen sehr hohen p-Wert, da er angesichts der genannten Kovarianz effektiv nichts "hinzufügt"?
A: Multikollinearität ist immer eine gute Frage, die es zu untersuchen gilt. Der Varianzinflationsfaktor (VIF) ist eine mögliche Option. In der Tabelle „Parameterschätzungen“ im Berichtsfenster finden Sie eine Option zur Bewertung des VIF, indem Sie mit der rechten Maustaste klicken und „VIF“ unter „Spalten“ auswählen.
F: Wenn Sie zu viele Faktoren haben, bei denen Sie Rückwärts Schrittweise nicht machen konnten, können Sie trotzdem Vorwärts Schrittweise machen?
A: Sie sollten in der Lage sein, ein Vorwärtsauswahlmodell unter der Option "Richtung" anzugeben. Bei vielen, vielen potenziellen Prädiktoren können Sie die Prädiktoren-Screening-Plattform einsetzen, die eine unglaublich leistungsstarke Plattform für die Variablenauswahl und die Identifizierung der wichtigsten Faktoren ist. Von dort aus können Sie eine kleinere Teilmenge von Faktoren auswählen, auf die Sie sich konzentrieren möchten. Predictor Screening ist in allen Versionen von JMP verfügbar, nicht nur in JMP Pro.
F: Berücksichtigt Stepwise Multikollinearität, da es einfach unwahrscheinlich ist, dass redundante Modellterme gewählt werden? Das könnte für diese Sitzung zu fortgeschritten sein und könnte so ausgelegt werden, dass „mach dir darüber keine Sorgen; stepwise wird sich um dich kümmern, wenn du zu faul bist, selbst kollineare Terme zu ziehen.“
Ressourcen
