方法を参照してください:
- 基本的な回帰を理解する
- 標準最小二乗法の使用
- 基本的な前提として、応答は正常であり、因子間に多重共線性がないことを理解します。
- 連続因子またはカテゴリ因子を使用して連続応答を処理する
- 点と回帰「曲線」の間の誤差を最小限に抑える最適な直線を解釈します。
- 主効果、相互作用などを処理します。
- 必要に応じてボックス-コックス変換を適用する
- 段階的回帰を使用する
- ステップワイズ回帰は、すべての要素を最適化するために「ステップ」で項を追加する標準最小二乗法のようなものであることを理解します。
- 「停止ルール」と「方向」を指定してプロセスを制御します
- ボタンをクリックしてモデルを作成する
- ロジスティック: 順序回帰および名目回帰を使用して、特定の結果の確率を提供します
- これらの手法は標準最小二乗法に似ていますが、序数応答または名義応答 (カテゴリカル) を使用することを理解します。
- 標準回帰だけでは不十分な場合があることを理解する
- JMP Pro 一般回帰は、非正規性や相関性の高いデータに役立ちます
- 部分最小二乗法 (PLS) は、因子が観測値を超える場合に役立ちます
- モデル スクリーニングを使用すると、最適なモデルを最も早く見つけることができます。
リマインダー： JMP では、.01 ～ .05 の p 値は赤色で表示されます。 .01 未満はオレンジ色です。 .05以上は黒です。色分けは、さまざまな効果を一度に分析し、統計的に有意な視覚的な手がかりをレポートで調べたい場合に役立ちます。 簡単に言うと、p 値が低いということは、帰無仮説が間違っており、母集団に実際に影響があることを示しています。
セッションからの質問に Peter Polito が回答@Peter_Politoとクロヴィス・ワイスバート@cweisbart :
Q: Fit Stepwise プラットフォームにはどうやってアクセスできますか?
A: Fit Model プラットフォームでは、右上隅にドロップダウン オプションがあります。 標準最小二乗法からステップワイズに変更できます。
Q: スクリプトを保存するとは、新しいデータ セットについて、既存のデータ セットを削除し、新しいデータ セットに置き換え、新しい名前で保存し、実行して新しい結果を取得できることを意味しますか?
A: はい。スクリプトが機能するには、新しいデータに同じ変数名が必要です。
Q: 線形回帰では、出力の生データの正規性と残差の正規性のうちどちらが重要ですか?
A: どちらも重要です。 反応（出力）が正常でない場合はグラデーションなので、多少異常であれば大丈夫でしょう。 非常に歪んでいる場合は大丈夫ではありません。 そして、残差に非正規性がある場合、それは問題ありません。 これは、モデル内に対処されていない何らかのバイアスまたは何らかの要因が存在していることを意味します。
Q: ガンマ分布が最適だった例では、モデリング時に変換を選択するか、一般化線形モデリングを使用するか、あるいはこれより優れたアプローチを選択しますか?
A: 非正規データがある場合は、JMP Pro の機能である一般化回帰を使用します。 「分析」>「モデルの適合」に移動し、12 か月の累計を応答にドラッグします。 ここで [一般化回帰] を選択します。これにより、特定の応答の分布を適用するオプションが得られるため、実際にガンマ分布を選択することができ、それがモデル構築で考慮されます。 データが正常でないときは常にこれを行います。 私は JMP Pro を持っているので、通常はとにかくこれに進みます。JMP Pro が一般化回帰を実行すると、常に一般化回帰出力に加えて標準最小二乗出力が得られるからです。
Q: JMP は徹底的な CHAID (カイ二乗自動相互作用検出) を導入していますか?
A: JMP 再帰的パーティショニングは CHAID ではなく CART です。 分類および回帰ツリーでは、各ポイントでバイナリ分割があり、CHAID では各ステップで変数を複数分割できます。に関するドキュメントを参照してください。パーティションの統計の詳細。
Q: モデル内で p 値が 0.05 を超える因子を保持する状況はありますか?
A: はい、少なくとも 2 つのインスタンスがあり、ケースバイケースでその他のインスタンスが存在する可能性があります。 場合によっては、主効果は重要ではありませんが、重要な相互作用の一部です。 あるいは、最終製品に不可欠であるとわかっている要素があるかもしれません。 以下に例を示します。
このトピックに関する以前のセッションで回答された質問:
Q: 2 つの予測子/因子が互いに強い相関関係があり、どちらもモデル内の Y に強く影響する場合、JMP はモデルの適合プラットフォームで最初にリストされた方を低い p 値を持つものとして選択し、共変動を与えるだけですか? 1 つは、上記の共分散を考慮すると実質的に何も「追加」されないため、非常に高い p 値ですか?
A: 多重共線性は常に調査すべき良い問題です。 分散インフレ係数 (VIF) は、潜在的なオプションの 1 つです。 レポート ウィンドウのパラメータ推定テーブル内で、右クリックして [列] の下の VIF を選択することにより、VIF を評価するオプションを見つけることができます。
Q: 因子が多すぎて、Backward Stepwise が実行できない場合でも、Forward Stepwise を実行できますか?
A: 「方向」オプションで前方選択モデルを指定できるはずです。 非常に多くの潜在的な予測因子があるため、予測因子スクリーニング プラットフォームを使用することもできます。これは、変数を選択し、上位の因子を特定するための非常に強力なプラットフォームです。 そこから、焦点を当てる要素のより小さなサブセットを選択することもできます。 Predictor Screening は、JMP Pro だけでなく、JMP のすべてのバージョンで利用できます。
Q: Stepwise は冗長なモデル項を選択する可能性が低いため、多重共線性に対応しますか?
A: このセッションではこれは高度すぎるため、「心配する必要はありません。共線項を自分で引き出すのが面倒なら、stepwise が面倒を見てくれます。」と解釈される可能性があります。
リソース
