Erfahren Sie, wie Sie:
- Grundlegende Regression verstehen
- Verwenden Sie die Standardmethode der kleinsten Quadrate
- Verstehen Sie, dass Grundannahmen darin bestehen, dass die Reaktion normal ist und keine Multikollinearität zwischen den Faktoren besteht
- Behandeln Sie kontinuierliche Antworten mit kontinuierlichen oder kategorialen Faktoren
- Interpretieren Sie die beste Anpassungslinie, die den Fehler zwischen den Punkten und der Regressionskurve minimiert.
- Behandeln Sie Haupteffekte, 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, bei der Terme in „Schritten“ hinzugefügt werden, um alle Faktoren zu optimieren
- Geben Sie „Stoppregel“ und „Richtung“ an, um den Prozess zu steuern
- Erstellen Sie das Modell per Knopfdruck
- Verwenden Sie Logistik: Ordinale und nominale Regression, um eine Wahrscheinlichkeit für ein bestimmtes Ergebnis anzugeben
- Verstehen Sie, dass diese Techniken den standardmäßigen kleinsten Quadraten ähneln, aber eine ordinale oder nominale Antwort (kategorial) verwenden.
- Verstehen Sie, dass eine Standardregression manchmal nicht ausreicht
- Die generalisierte Regression von JMP Pro kann für nicht normalisierte und stark korrelierte Daten nützlich sein
- Partielle kleinste Quadrate (PLS) sind nützlich, wenn Faktoren die Beobachtungen überschreiten
- Mit Model Screening lässt sich am schnellsten das beste Modell finden
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 Signifikanz suchen möchten. Vereinfacht ausgedrückt deutet ein niedriger p-Wert darauf hin, dass die Nullhypothese falsch ist und dass es tatsächlich einen Effekt in der Bevölkerung gibt.
Fragen aus der Sitzung beantwortet von Peter Polito @Peter_Polito und Clovis Weisbart @cweisbart :
F: Wie gelangt man zur Fit Stepwise-Plattform?
A: Wenn Sie sich auf der Plattform „Modell anpassen“ befinden, gibt es oben rechts eine Dropdown-Option. Sie können die Einstellung von „Standard kleinste Quadrate“ auf „Schrittweise“ ändern.
F: Bedeutet das Speichern des Skripts, dass Sie für einen neuen Datensatz den vorhandenen löschen, durch den neuen ersetzen, ihn 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 (Ausgaben) haben, handelt es sich um eine Abstufung. Wenn sie also leicht abnormal sind, sind Sie wahrscheinlich in Ordnung. Wenn es sehr schief ist, ist es nicht in Ordnung. Und wenn Ihre Residuen nicht normal sind, ist das nicht in Ordnung. Das bedeutet, dass in Ihrem Modell eine Art Voreingenommenheit oder ein Faktor eine Rolle spielt, der nicht berücksichtigt wird.
F: Hätten Sie sich angesichts des Beispiels, in dem eine Gammaverteilung am besten war, für eine Transformation oder die Verwendung einer verallgemeinerten linearen Modellierung bei der Modellierung entschieden, 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 ging zu „Analysieren“ > „Modell anpassen“ und zog dann meine 12-Monats-Kumulativen in meine Antwort ein. Von hier aus wähle ich „Generalisierte Regression“, die mir die Möglichkeit gibt, die Verteilung dieser bestimmten Antwort anzuwenden. So könnte ich tatsächlich eine Gammaverteilung auswählen, die bei der Modellkonstruktion berücksichtigt wird. Ich mache das immer dann, wenn meine Daten nicht normal sind. Da ich JMP Pro habe, gehe ich normalerweise sowieso einfach zu dieser Funktion, denn wenn JMP Pro eine generalisierte Regression ausführt, erhält man neben der Ausgabe der generalisierten Regression immer auch eine Stardard-Kleinste-Quadrate-Ausgabe.
F: Setzt JMP umfassendes CHAID (automatische Chi-Quadrat-Interaktionserkennung) ein?
A: Die rekursive JMP-Partitionierung ist CART und nicht CHAID. In unseren Klassifizierungs- und Regressionsbäumen gibt es an jedem Punkt binäre Aufteilungen, und CHAID ermöglicht mehrere Aufteilungen einer Variablen bei jedem Schritt.Siehe Dokumentation zum Statistische Details für Partition.
F: Gibt es eine Situation, in der Sie Faktoren mit p-Werten größer als 0,05 in Ihrem Modell behalten würden?
A: Ja, es gibt mindestens zwei Fälle, von Fall zu Fall können weitere hinzukommen. Manchmal ist der Haupteffekt unbedeutend, aber er ist Teil einer signifikanten Wechselwirkung. Oder Sie haben einen Faktor, von dem Sie wissen, dass er für das Endprodukt von entscheidender Bedeutung ist. Hier ist ein Beispiel:
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 in der Plattform „Modell anpassen“ mit einem niedrigen p-Wert aufgeführt haben, und gibt dann die Kovariation an ein sehr hoher p-Wert, da er angesichts dieser Kovarianz effektiv nichts „hinzufügt“?
A: Multikollinearität ist immer eine gute Frage, die es zu untersuchen gilt. Der Variance Inflation Factor (VIF) ist eine mögliche Option. In der Tabelle „Parameterschätzungen“ im Berichtsfenster finden Sie eine Option zum Bewerten des VIF, indem Sie mit der rechten Maustaste klicken und unter „Spalten“ VIF auswählen.
F: Wenn Sie zu viele Faktoren haben, bei denen Sie die Rückwärts-Schrittweise nicht ausführen können, können Sie dann trotzdem die Vorwärts-Schrittweise ausführen?
A: Unter der Option „Richtung“ sollten Sie ein Vorwärtsauswahlmodell angeben können. Bei vielen, vielen potenziellen Prädiktoren könnten Sie die Predictor Screening-Plattform verwenden, eine unglaublich leistungsstarke Plattform für die Variablenauswahl und die Identifizierung der wichtigsten Faktoren. 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: Unterstützt Stepwise die Multikollinearität, da es einfach unwahrscheinlich ist, dass redundante Modellterme gewählt werden?
A: Das könnte für diese Sitzung zu fortgeschritten sein und könnte so interpretiert werden: „Machen Sie sich darüber keine Sorgen. Stepwise kümmert sich um Sie, wenn Sie zu faul sind, kollineare Begriffe selbst zu ziehen.“
Ressourcen
