Bonjour,
J'ai deux variables continues et une variable catégorielle., en l'exécutant sur JMP Pro 16 (joint le fichier de sortie de l'exécution), en entrée, j'ai fourni Y comme variable catégorielle (OUI/NON) et j'ai construit l'effet du modèle sous forme de deux variables continues. variable, Personnalité : Logistique nominale, et Niveau cible : OUI
- Tout d'abord, je voulais savoir que l'exécution d'un modèle de régression logistique nominale était une bonne option.
- Deuxièmement, comment trouver la dépendance, les moyennes sont deux variables continues associées indépendamment à une variable catégorielle, ou y a-t-il une interdépendance ?
- Troisièmement, comment déterminer si deux variables continues sont colinéaires entre elles, sans perdre de signification.
Bonjour @Kumar_Amar ,
Bienvenue dans la Communauté !
Je ferai de mon mieux pour répondre à vos questions :
- Il n’y a pas de bonne ou de mauvaise option. Cependant, lorsque l’on tente d’expliquer/comprendre ou de prédire une réponse catégorique, une régression logistique nominale peut être un bon point de départ et peut aider à fournir une référence de modèle simple à comparer avec d’autres options de modélisation. De plus, comme vous ne disposez que de deux variables possibles pour expliquer/prédire votre réponse catégorique, commencer par un modèle simple est une bonne idée. Le choix du modèle est lié à différents paramètres qui pourront vous aider à définir quel est le « bon » choix pour vous. Voici quelques questions qui peuvent vous aider à affiner vos questions et vos objectifs :
- Question et objectif : L'accent est-il davantage mis sur la prédiction (et un modèle basé sur un arbre comme un arbre de décision/un arbre boosté ou une forêt aléatoire peut être utile) ou sur une explication (avec un modèle statistique et une évaluation de la signification) de cette classification basée sur les deux facteurs ?
- Utilisateur : Quelle est votre expérience et votre "background" en modélisation et vos attentes concernant les performances que vous souhaiteriez atteindre (états d'esprit statistique fréquentiste, bayésien, machine learning, ...) ?
- Données : Les données sont-elles « fixes » ou allez-vous acquérir davantage de données dans le futur que vous souhaiteriez classifier ? Les données sont-elles représentatives de votre système/cas d’étude ? De combien d’échantillons/observations disposez-vous ? Les données proviennent-elles d'expériences conçues (DoE) ou sont-elles collectées sans plan prédéfini ? Dans quelle mesure les données sont-elles équilibrées entre les classes OUI/NON ?
- Performance : Comment mesurez-vous les performances sur ce cas d’usage ? Toute préférence dans les métriques (précision, rappel, score F1, ...) ou toute différence entre de fausses prédictions : peut-être que les faux positifs représentent un coût plus important que les faux positifs (ou inversement) ? Un examen de la matrice de confusion complète peut aider à déterminer où le modèle commet des erreurs dans la classification et peut indiquer où définir le seuil de décision en fonction du déséquilibre des données et du coût relatif des erreurs.
- et 3. Vous pouvez voir la dépendance entre vos variables de différentes manières, mais les options les plus simples pourraient être d'utiliser Graph Builder pour tracer X1 par rapport à X2 et voir si vous avez des corrélations, ou d'utiliser l'outil Plateforme multivariée pour vérifier les corrélations entre chaque paire de variables continues. Vous pouvez également vérifier les relations individuelles entre votre réponse catégorielle et chacune de vos variables continues avec le Ajuster Y par X plate-forme.
Enfin, dans des situations impliquant davantage de variables, vous pouvez également vérifier les scores VIF. Il existe plusieurs bonnes options répertoriées dans les discussions suivantes :
test de colinéarité - Communauté d'utilisateurs JMP
Résolu : Vérifier la multicolinéarité dans la régression logistique ordinale - Communauté d'utilisateurs JMP
J'espère que cette réponse vous aidera 
