Scopri come:
- Comprendere la regressione di base
- Usa i minimi quadrati standard
- Comprendere che i presupposti di base sono che la risposta è normale e non c'è multicollinearità tra i fattori
- Gestire la risposta continua con fattori continui o categorici
- Interpreta la linea di miglior adattamento che minimizza l'errore tra i punti e la 'curva' di regressione
- Gestire gli effetti principali, le interazioni, ecc.
- Applicare la trasformazione Box-Cox se necessario
- Usa la regressione graduale
- Comprendi che la regressione graduale è come i minimi quadrati standard che aggiungono termini in "passi" per ottimizzare tutti i fattori
- Specificare 'Regola di arresto' e 'Direzione' controlla il processo
- Crea il modello facendo clic su un pulsante
- Usa logistica: regressione ordinale e nominale per fornire una probabilità di un particolare risultaton
- Comprendere che queste tecniche sono simili ai minimi quadrati standard, ma utilizzano una risposta ordinale o nominale (categorica)
- Comprendi che a volte la regressione standard non è sufficiente
- La regressione generalizzata di JMP Pro può essere utile per dati non normali e altamente correlati
- I minimi quadrati parziali (PLS) sono utili quando i fattori superano le osservazioni
- Lo screening dei modelli può essere utilizzato per trovare il modello migliore nel modo più rapido
Alle domande della sessione risponde Peter Polito @Pietro_Polito e Clovis Weisbart @cweisbart :
Come si accede alla piattaforma Fit Stepwise?
A: C'è un'opzione a discesa nell'angolo in alto a destra quando ti trovi nella piattaforma Fit Model. Puoi cambiarlo da Minimi quadrati standard a Stepwise.
Salvando lo script, questo significa che, per un nuovo set di dati, è possibile eliminare quello esistente, sostituirlo con quello nuovo, salvarlo con un nuovo nome ed eseguirlo per ottenere nuovi risultati?
A: Sì, e i nuovi dati dovrebbero avere gli stessi nomi di variabile affinché lo script funzioni.
Cos'è più importante nella tua regressione lineare, la normalità dei tuoi dati grezzi per l'output o la normalità dei residui?
R: Entrambi sono importanti. Se hai risposte non normali (output) è una gradazione, quindi se è leggermente anormale, probabilmente stai bene. Se è molto distorto, allora non va bene. E se hai la non normalità nei tuoi residui, non va bene. Ciò significa che hai una sorta di pregiudizio o una sorta di fattore in gioco nel tuo modello che non è stato affrontato.
Promemoria: In JMP, un valore p compreso tra .01 e .05 è colorato in rosso; meno di .01 è arancione; maggiore di .05 è nero.La codifica a colori può essere d'aiuto quando si analizzano diversi effetti contemporaneamente e si desidera cercare nei report segnali visivi di rilevanza statistica. In termini semplici, un valore p basso suggerisce che l'ipotesi nulla è sbagliata e che c'è davvero un effetto là fuori nella popolazione.
Con l'esempio in cui una distribuzione gamma era la migliore, avresti optato per una trasformazione o l'uso della modellazione lineare generalizzata quando stai modellando, o qualche approccio è migliore?
R: Quando dispongo di dati non normali, utilizzo Regressione generalizzata, che è una funzione di JMP Pro. Vorrei andare su Analizza> Adatta modello e quindi trascinare i miei 12 mesi cumulativi nella mia risposta. Da qui scelgo Regressione generalizzata, che mi dà un'opzione per applicare la distribuzione di quella particolare risposta, e quindi potrei effettivamente selezionare una distribuzione gamma e verrà presa in considerazione nella costruzione del modello. Lo faccio ogni volta che i miei dati non sono normali. Poiché ho JMP Pro, di solito vado a questo comunque, perché quando JMP Pro esegue una regressione generalizzata, ti dà sempre un output dei minimi quadrati Stardard oltre all'output della regressione generalizzata.
Domande a cui si è risposto nelle sessioni precedenti su questo argomento:
Se due predittori/fattori sono fortemente correlati tra loro ed entrambi influenzano fortemente la Y nel modello, JMP sceglierà semplicemente quello che hai elencato per primo nella piattaforma Fit Model come avente un p-value basso, quindi fornirà la covariante uno un valore p molto alto poiché effettivamente non "aggiunge" nulla data detta covarianza?
A: La multicollinearità è sempre una buona domanda da indagare. Il fattore di inflazione della varianza (VIF) è una potenziale opzione. All'interno della tabella Stime dei parametri nella finestra del rapporto è possibile trovare un'opzione per valutare il VIF facendo clic con il pulsante destro del mouse e selezionando VIF in Colonne.
Se hai troppi fattori, in cui non potresti fare Backward Stepwise, puoi comunque fare Forward Stepwise?
R: Dovresti essere in grado di specificare un modello di selezione in avanti sotto l'opzione "Direzione". Con molti, molti potenziali predittori potresti utilizzare la piattaforma Predictor Screening, che è una piattaforma incredibilmente potente per la selezione delle variabili e l'identificazione dei fattori principali. Da lì potresti scegliere un sottoinsieme più piccolo di fattori su cui concentrarti. Predictor Screening è disponibile in tutte le versioni di JMP, non solo in JMP Pro.
Stepwise è compatibile con la multicollinearità poiché è semplicemente improbabile che scelgano termini di modello ridondanti? Potrebbe essere troppo avanzato per questa sessione e potrebbe essere interpretato come "non preoccuparti; stepwise si prenderà cura di te se sei troppo pigro per estrarre termini collineari da solo".
Risorse
