방법을 확인하세요:
- 기본 회귀 이해
- 표준 최소 제곱 사용
- 반응이 정상이고 요인 간에 다중 공선성이 없다는 기본 가정을 이해합니다.
- 연속형 또는 범주형 요인을 사용하여 연속 반응을 처리합니다.
- 점과 회귀 '곡선' 사이의 오류를 최소화하는 최적선 해석
- 주효과, 상호작용 등을 처리합니다.
- 필요한 경우 Box-Cox 변환 적용
- 단계적 회귀 사용
- 단계적 회귀 분석은 모든 요소를 최적화하기 위해 '단계'로 항을 추가하는 표준 최소 제곱과 유사하다는 점을 이해합니다.
- '정지 규칙'을 지정하면 '방향'이 프로세스를 제어합니다.
- 버튼 클릭으로 모델 만들기
- 로지스틱: 순서 및 명목 회귀를 사용하여 특정 결과의 확률 제공
- 이러한 기법은 표준 최소 제곱법과 유사하지만 순서형 또는 명목형 응답(범주형)을 사용한다는 점을 이해합니다.
- 때로는 표준 회귀만으로는 충분하지 않다는 점을 이해하세요.
- JMP Pro 일반화 회귀는 비정규적이고 상관 관계가 높은 데이터에 유용할 수 있습니다.
- PLS(부분 최소 제곱)는 요인이 관측치를 초과할 때 유용합니다.
- 모델 스크리닝을 사용하면 가장 빠른 속도로 최상의 모델을 찾을 수 있습니다.
알림: JMP에서는 .01과 .05 사이의 p-값이 빨간색으로 표시됩니다. .01 미만은 주황색입니다. .05보다 크면 검정색입니다.색상 구분은 여러 가지 효과를 동시에 분석하고 보고서에서 통계적 중요성에 대한 시각적 단서를 찾고자 할 때 도움이 될 수 있습니다. 간단히 말해서 p-값이 낮다는 것은 귀무가설이 틀렸고 모집단에 실제로 영향이 있다는 것을 의미합니다.
Peter Polito가 답변한 세션의 질문 @Peter_Polito 그리고 클로비스 와이즈바트 @cweisbart :
Q: Fit Stepwise 플랫폼에 어떻게 접근하나요?
A: Fit Model 플랫폼에 있을 때 오른쪽 상단에 드롭다운 옵션이 있습니다. 표준 최소 제곱에서 단계별로 변경할 수 있습니다.
Q: 스크립트를 저장하면 새 데이터 세트의 경우 기존 데이터 세트를 삭제하고 새 데이터 세트로 바꾸고 새 이름으로 저장하고 실행하여 새 결과를 얻을 수 있다는 의미입니까?
A: 예, 그리고 스크립트가 작동하려면 새 데이터의 변수 이름이 동일해야 합니다.
Q: 선형 회귀, 출력에 대한 원시 데이터의 정규성 또는 잔차의 정규성에서 더 중요한 것은 무엇입니까?
A: 둘 다 중요해요. 반응(출력)이 비정상이라면 그라데이션이므로 약간 비정상이라면 아마 괜찮을 것입니다. 너무 비뚤어지면 괜찮지 않습니다. 그리고 잔차에 비정규성이 있으면 괜찮지 않습니다. 이는 모델에 해결되지 않은 일종의 편견이나 요인이 작용하고 있음을 의미합니다.
Q: 감마 분포가 가장 좋은 예를 통해 모델링할 때 변환이나 일반 선형 모델링 사용을 선택하시겠습니까, 아니면 이것이 더 나은 접근 방식을 선택하시겠습니까?
A: 비정규 데이터가 있는 경우 JMP Pro 기능인 일반화 회귀를 사용합니다. 분석>모델 적합으로 이동한 다음 12개월 누적 결과를 응답에 끌어다 놓습니다. 여기에서 특정 응답의 분포를 적용할 수 있는 옵션을 제공하는 일반화 회귀를 선택합니다. 따라서 실제로 감마 분포를 선택할 수 있으며 모델 구성에서 이 분포가 고려됩니다. 내 데이터가 정상이 아닐 때마다 이 작업을 수행합니다. JMP Pro가 있기 때문에 보통 이 방법으로 이동합니다. 왜냐하면 JMP Pro가 일반화 회귀를 실행할 때 항상 일반화 회귀 결과 외에 표준 최소 제곱 결과도 제공하기 때문입니다.
Q: JMP는 철저한 CHAID(카이제곱 자동 상호 작용 탐지)를 배포합니까?
A: JMP 재귀적 파티셔닝은 CHAID가 아닌 CART입니다. 분류 및 회귀 트리에서는 각 지점에 이진 분할이 있으며 CHAID는 각 단계에서 변수의 다중 분할을 허용합니다.에 대한 문서를 참조하세요. 파티션에 대한 통계 세부정보입니다.
Q: 모델에서 p-값이 .05보다 큰 요인을 유지해야 하는 상황이 있습니까?
A: 예, 최소한 두 가지 사례가 있으며 사례별로 다른 사례가 있을 수도 있습니다. 때때로 주효과는 중요하지 않지만 중요한 상호작용의 일부입니다. 또는 최종 제품에 필수적이라고 알고 있는 요소가 있을 수도 있습니다. 예는 다음과 같습니다.
이 주제에 대한 이전 세션에서 답변된 질문:
질문: 두 개의 예측 변수/요인이 서로 강한 상관관계가 있고 둘 다 모델의 Y에 큰 영향을 미치는 경우 JMP는 적합 모델 플랫폼에서 p-값이 낮은 것으로 먼저 나열한 변수를 선택한 다음 공분산을 제공합니까? 공분산이 주어지면 어떤 것도 효과적으로 "추가"하지 않기 때문에 하나는 매우 높은 p-값입니까?
A: 다중공선성은 항상 조사해 볼 수 있는 좋은 질문입니다. VIF(Variance Inflation Factor)는 잠재적인 옵션 중 하나입니다. 보고서 창의 매개변수 추정 테이블 내에서 마우스 오른쪽 버튼을 클릭하고 열 아래에서 VIF를 선택하여 VIF를 평가하는 옵션을 찾을 수 있습니다.
Q: 요인이 너무 많아 Backward Stepwise를 수행할 수 없는 경우에도 Forward Stepwise를 수행할 수 있습니까?
A: "방향" 옵션에서 순방향 선택 모델을 지정할 수 있어야 합니다. 수많은 잠재적인 예측 변수가 있는 경우 변수 선택 및 주요 요인 식별을 위한 매우 강력한 플랫폼인 예측 스크리닝 플랫폼을 사용할 수 있습니다. 여기에서 집중할 요소의 작은 하위 집합을 선택할 수 있습니다. 예측 변수 선별은 JMP Pro뿐만 아니라 모든 JMP 버전에서 사용할 수 있습니다.
Q: Stepwise에서는 중복 모델 항을 선택할 가능성이 거의 없기 때문에 다중 공선성을 수용합니까?
A: 이 세션에서는 너무 고급 수준일 수 있으며 "걱정하지 마세요. 너무 게으른 나머지 공선상 용어를 스스로 끌어낼 수 없다면 단계적으로 처리해 드릴 것입니다."라고 해석할 수 있습니다.
자원
