Detección de predictoresEstoy intentando utilizar la plataforma de detección de predictores y, aunque he analizado el ejemplo en JMP, todavía tengo preguntas.
Puse mi variable de respuesta en un formato de sí, no como en el ejemplo; sin embargo, cuando miro qué variables son las que mejor predicen la respuesta, ¿cómo interpreto los resultados? ¿Es la variable clasificada número 1 la mejor para predecir un resultado de "sí" o un resultado de "no"? ¿O la idea es realizar este análisis y luego seguir con otro análisis?
Resultado exitoso ? | | |
Vaticinador | Contribución | Parte | | Rango | |
Variable1 | 4.36861 | 0.3072 | | 1 | |
Variable4 | 4.36012 | 0.3066 | | 2 | |
variable5 | 2.29150 | 0.1612 | | 3 | |
Variable2 | 1.98570 | 0.1396 | | 4 | |
variable3 | 1.21356 | 0.0853 | | 5 | |
Luego quise ampliar mi análisis para ver si qué variable era el mejor predictor de un resultado exitoso de un determinado tratamiento. Para ello, filtré sólo los datos sobre el tratamiento que quería, luego excluí los que no quería y volví a realizar el análisis. ¿Sería esto correcto?
Mi última pregunta es que todos los datos del ejemplo de JMP eran de caracteres nominales. ¿Mis resultados son precisos si mis variables predictoras son de caracteres ordinales o esta plataforma solo es válida para datos de caracteres nominales?
Análisis y modelado de datos básicosRe: Detección de predictoresNo estoy seguro de qué ejemplo estás siguiendo, por lo que no puedo ser específico sobre lo que estás mostrando. Pero puedo decir que ciertamente se pueden mezclar predictores nominales y continuos y aún así utilizar la detección de Predictores. Su primera pregunta parece como si estuviera preguntando si la clasificación se aplica para predecir "sí" o "no". Con una variable binaria, la clasificación será la misma para cada resultado, ya que debe ser simétrica: si una variable es buena para predecir "sí", también debe ser buena para predecir "no". Si entiendo su otra pregunta, entonces tiene varios tratamientos en sus datos y desea aplicar la detección de predictores para tratamientos individuales en lugar de agruparlos. Si es así, puede crear subconjuntos de ellos y utilizar la detección de predictores. Como alternativa, puede colocar el tratamiento en el cuadro "por" y ejecutar la detección de predictores para cada tratamiento por separado. Puede haber un problema estadístico al interpretar los resultados si tiene muchos tratamientos (el problema de las comparaciones múltiples), lo que podría hacer que sus hallazgos estadísticos se estimen demasiado, pero dejaré que un estadístico responda.
Tenía otra pregunta: si utiliza la detección de predictores y luego la sigue con otro análisis. Creo que la respuesta es sí. La selección de predictores utiliza un bosque Bootstrap para identificar los predictores más importantes. Existen otros modelos predictivos que pueden funcionar mejor una vez que sepa qué predictores desea utilizar. Incluso ejecutar Bootstrap Forest le dará resultados diferentes cuando use esa plataforma en lugar de la detección de predictores, ya que tiene más variables de ajuste que utiliza en el modelado (que puede ajustar aún más). La detección de predictores proporciona un primer paso rápido para limitar los predictores importantes, pero la detección de modelos sería el siguiente paso a utilizar para construir mejores modelos utilizando estos predictores.
