Christopher Gotwalt, Scientifique en chef des données chez JMP, JMP
Plus que n'importe quel logiciel statistique, JMP et JMP Pro exploitent énormément les critères de sélection de modèles, tels que l'AICc et le BIC. Ces outils peuvent être utilisés par les praticiens de tous les secteurs et à tous les niveaux de compétence, des utilisateurs choisissant une distribution pour une analyse de capabilité, aux utilisateurs avancés choisissant des facteurs d'entrée dans un modèle mixte linéaire ou une analyse DOE fonctionnelle. Les critères de sélection des modèles sont incroyablement flexibles et puissants, mais facilitent la décision entre des ensembles très différents de variables prédictives, de distributions de réponses et même de structures de corrélation, le tout en même temps.
Malheureusement, l'histoire complète de comment et quand utiliser ces critères ne fait pas partie de la plupart des cours standard de science des données dans les universités et la formation professionnelle. L'une des raisons de cette omission est que, contrairement à JMP, de nombreux progiciels implémentent des critères de sélection de modèle de manière incomplète ou sans doute incorrecte, ce qui rend impossible la comparaison de modèles avec différentes variables d'entrée.
Dans cette présentation, nous donnons des indications claires sur comment et quand utiliser les critères de sélection des modèles. Nous décrivons leur motivation et les hypothèses qu'ils nécessitent. Nous comparons les critères de sélection de modèles à d'autres approches plus connues de sélection de modèles, telles que les tests d'hypothèses et les procédures de validation croisée basées sur l'exclusion. Nous racontons également brièvement comment les développeurs de JMP Statistical R&D ont compris l'utilité de ces outils, alors que nous recherchions une solution générale au problème de dragage de distribution.
