Puis-je utiliser la procédure de sélection du meilleur sous-ensemble pour sélectionner des variables explicatives pour l'analyse de régression logistique nominale dans JMP ?Tout le monde
merci toujours
Actuellement, je dois essayer toutes les combinaisons possibles (511 modèles) de 9 variables explicatives en utilisant la méthode d'analyse de régression logistique nominale. Il est difficile de tout faire manuellement.
Existe-t-il un système dans JMP capable de sélectionner des variables explicatives à l'aide d'une procédure de sélection du meilleur sous-ensemble comme celle-ci ?
Ce serait très utile si vous pouviez me le faire savoir.
Sincèrement.
Modélisation statistique avancéeAnalyse et modélisation des données de baseAnalyse de fiabilitéRe : Puis-je utiliser la procédure de sélection du meilleur sous-ensemble pour sélectionner des variables explicatives pour l'analyse de régression logistique nominale dans JMP ?Salut @ErreurIguanodon1 ,
Bienvenue dans la Communauté !
Peut-être que tu pourrais jeter un oeil à Dépistage des prédicteurs plateforme pour identifier quelles sont les variables les plus importantes parmi les 9 variables explicatives ?
Également Modèles de régression pas à pas disponible dans la plateforme « Fit Model » peut être utile pour explorer les variables les plus influentes sur la réponse (une approche de « data mining » pour sélectionner les termes les plus influents dans le modèle pour les données d'observation).
Enfin, certains autres modèles peuvent être intéressants à examiner si vous disposez de JMP Pro pour effectuer des modélisations exploratoires, par exemple le Forêt d'amorçage.
J'espère que cette réponse vous aidera,
Re : Puis-je utiliser la procédure de sélection du meilleur sous-ensemble pour sélectionner des variables explicatives pour l'analyse de régression logistique nominale dans JMP ?Pour répondre à votre question spécifique, sélectionnez Analyser > Ajuster le modèle, puis modifiez la personnalité d'ajustement en Régression généralisée. Il propose de nombreuses méthodes de sélection de modèle, y compris le meilleur sous-ensemble.
