Vea cómo:
- Comprender la regresión básica
- Usar mínimos cuadrados estándar
- Comprender que los supuestos básicos son que la respuesta es normal y que no hay multicolinealidad entre los factores
- Manejar la respuesta continua con factores continuos o categóricos
- Interpretar la línea de mejor ajuste que minimiza el error entre los puntos y la 'curva' de regresión
- Manejar efectos principales, interacciones, etc.
- Aplique la transformación de Box-Cox si es necesario
- Utilice la regresión por pasos
- Comprender que la regresión por pasos es como mínimos cuadrados estándar que agrega términos en "pasos" para optimizar todos los factores
- Especificar 'Regla de detención' y 'Dirección' controla el proceso
- Hacer el modelo con un clic de botón
- Use Logística: regresión ordinal y nominal para proporcionar una probabilidad de un resultado particular
- Comprender que estas técnicas son similares a los mínimos cuadrados estándar, pero utilizan una respuesta ordinal o nominal (categórica)
- Comprender que a veces la regresión estándar no es suficiente
- La regresión generalizada de JMP Pro puede ser útil para datos no normales y altamente correlacionados
- Los mínimos cuadrados parciales (PLS) son útiles cuando los factores exceden las observaciones
- Model Screening se puede utilizar para encontrar el mejor modelo de la forma más rápida
Preguntas de la sesión respondidas por Peter Polito @Peter_Polito y Clovis Weisbart @cweisbart :
P: ¿Cómo llega a la plataforma Fit Stepwise?
R: Hay una opción desplegable en la esquina superior derecha cuando se encuentra en la plataforma Fit Model. Puede cambiarlo de Mínimos cuadrados estándar a Paso a paso.
P: Al guardar el script, ¿significa esto que, para un nuevo conjunto de datos, puede eliminar el existente, reemplazarlo con el nuevo, guardarlo con un nuevo nombre y ejecutarlo para obtener nuevos resultados?
R: Sí, y los nuevos datos deberían tener los mismos nombres de variables para que funcione el script.
P: ¿Qué es más importante en su regresión lineal, la normalidad de sus datos sin procesar para la salida o la normalidad de los residuos?
R: Ambos son importantes. Si tiene respuestas no normales (salida), es una gradación, por lo que si es ligeramente anormal, entonces probablemente esté bien. Si está muy sesgado, entonces no está bien. Y si no hay normalidad en sus residuos, eso no está bien. Eso significa que tiene algún tipo de sesgo o algún tipo de factor que está en juego en su modelo que no se aborda.
Recordatorio: En JMP, un valor p entre 0,01 y 0,05 se colorea de rojo; menos de .01 es naranja; mayor que .05 es negro.La codificación por colores puede ser útil cuando analiza varios efectos diferentes a la vez y desea buscar en los informes señales visuales de importancia estadística. En términos simples, un valor p bajo sugiere que la hipótesis nula es incorrecta y que realmente hay un efecto en la población.
P: Con el ejemplo en el que una distribución gamma fue la mejor, ¿habría optado por una transformación o el uso de un modelo lineal generalizado cuando está modelando, o algún enfoque es mejor?
R: Cuando tengo datos que no son normales, uso la regresión generalizada, que es una característica de JMP Pro. Iría a Analizar> Ajustar modelo y luego arrastraría mi acumulado de 12 meses a mi respuesta. Desde aquí, elijo Regresión generalizada, que me da la opción de aplicar la distribución de esa respuesta en particular, y así podría seleccionar una distribución gamma y se tendrá en cuenta en la construcción del modelo. Hago esto cada vez que mis datos no son normales. Debido a que tengo JMP Pro, generalmente voy a esto de todos modos, porque cuando JMP Pro ejecuta una regresión generalizada, siempre te da una salida de mínimos cuadrados de Stardard además de la salida de regresión generalizada.
Preguntas respondidas en sesiones anteriores sobre este tema:
P: Si dos predictores/factores están fuertemente correlacionados entre sí, y ambos afectan fuertemente la Y en el modelo, ¿JMP simplemente elegirá el que enumeró primero en la plataforma Fit Model por tener un valor p bajo y luego le dará la covariable? uno un valor p muy alto ya que efectivamente no "agrega" nada dada dicha covarianza?
R: La multicolinealidad siempre es una buena pregunta para investigar. El factor de inflación de varianza (VIF) es una opción potencial. Dentro de la tabla Estimaciones de parámetros en la ventana del informe, puede encontrar una opción para evaluar el VIF haciendo clic con el botón derecho y seleccionando VIF en Columnas.
P: Si tiene demasiados factores, en los que no podría hacer Paso a paso hacia atrás, ¿aún puede hacer Paso a paso hacia adelante?
R: Debería poder especificar un modelo de selección directa en la opción "Dirección". Con muchos, muchos predictores potenciales, puede emplear la plataforma Predictor Screening, que es una plataforma increíblemente poderosa para la selección de variables y la identificación de los principales factores. A partir de ahí, puede elegir un subconjunto más pequeño de factores en los que centrarse. Predictor Screening está disponible en todas las versiones de JMP, no solo en JMP Pro.
P: ¿Admite Stepwise la multicolinealidad ya que es poco probable que elija términos de modelo redundantes? Eso podría ser demasiado avanzado para esta sesión y podría interpretarse como "no se preocupe por eso; paso a paso se encargará de usted si es demasiado perezoso para extraer términos colineales por su cuenta".
Recursos
