723862_de-DE

liliconcom

Prädiktor-Screening

Ich versuche, die Predictor-Screening-Plattform zu verwenden und habe zwar das Beispiel in JMP durchgearbeitet, habe aber immer noch Fragen.

Ich habe meine Antwortvariable wie im Beispiel in ein Ja-Nein-Format eingefügt. Wenn ich jedoch nachschaue, welche Variablen den besten Prädiktor für die Antwort darstellen, wie interpretiere ich die Ergebnisse? Ist die Rangvariable Nr. 1 der beste Prädiktor für ein „Ja“-Ergebnis oder ein „Nein“-Ergebnis? Oder besteht die Idee darin, dass Sie diese Analyse durchführen und dann eine weitere Analyse durchführen?

Erfolgreiches Ergebnis ?
Anzeichen	Beitrag	Portion		Rang
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

Anschließend wollte ich meine Analyse vertiefen, um herauszufinden, welche Variable der beste Prädiktor für ein erfolgreiches Ergebnis einer bestimmten Behandlung ist. Dazu habe ich nur die Daten zu der von mir gewünschten Behandlung gefiltert, dann diejenigen ausgeschlossen, die ich nicht wollte, und die Analyse erneut durchgeführt. Wäre das richtig?

Meine letzte Frage ist, dass es sich bei den Daten im Beispiel zu JMP ausschließlich um nominale Zeichen handelte. Sind meine Ergebnisse korrekt, wenn meine Prädiktorvariablen Zeichen-Ordinalzahlen sind, oder eignet sich diese Plattform nur für Zeichen-Nominaldaten?

Grundlegende Datenanalyse und ModellierungBetreff: Prädiktor-Screening

Ich bin mir nicht sicher, welchem ​​Beispiel Sie folgen, daher kann ich nicht genau sagen, was Sie zeigen. Aber ich kann sagen, dass Sie nominale und kontinuierliche Prädiktoren durchaus mischen und trotzdem das Prädiktor-Screening verwenden können. Ihre erste Frage hört sich an, als würden Sie fragen, ob die Rangfolge für die Vorhersage von „Ja“ oder „Nein“ gilt. Bei einer binären Variablen ist die Rangfolge für jedes Ergebnis gleich, da sie symmetrisch sein muss – wenn eine Variable gut für die Vorhersage von „Ja“ geeignet ist, muss sie auch für die Vorhersage von „Nein“ geeignet sein. Wenn ich Ihre andere Frage verstehe, dann haben Ihre Daten mehrere Behandlungen und Sie möchten das Prädiktor-Screening für einzelne Behandlungen anwenden, anstatt sie zusammenzufassen. Wenn ja, können Sie diese unterteilen und das Prädiktor-Screening verwenden. Alternativ können Sie die Behandlung in das Feld „nach“ eingeben und das Prädiktor-Screening für jede Behandlung separat durchführen. Bei der Interpretation der Ergebnisse kann es zu einem statistischen Problem kommen, wenn Sie viele Behandlungen durchführen (das Problem der Mehrfachvergleiche), was dazu führen kann, dass Ihre statistischen Ergebnisse zu hoch eingeschätzt werden – aber die Antwort darauf überlasse ich einem Statistiker.

Sie hatten noch eine weitere Frage – ob Sie das Prädiktor-Screening verwenden und anschließend eine weitere Analyse durchführen. Ich denke, die Antwort ist ja. Beim Prädiktor-Screening wird ein Bootstrap Forest verwendet, um die wichtigsten Prädiktoren zu identifizieren. Es gibt andere Vorhersagemodelle, die möglicherweise eine bessere Leistung erbringen, wenn Sie wissen, welche Prädiktoren Sie verwenden möchten. Selbst wenn Sie den Bootstrap Forest ausführen, erhalten Sie unterschiedliche Ergebnisse, wenn Sie diese Plattform anstelle des Prädiktor-Screenings verwenden, da bei der Modellierung mehr Optimierungsvariablen verwendet werden (die Sie weiter anpassen können). Das Prädiktor-Screening bietet einen schnellen ersten Schritt zur Eingrenzung der wichtigen Prädiktoren, das Modell-Screening wäre jedoch der nächste Schritt, um mithilfe dieser Prädiktoren tatsächlich bessere Modelle zu erstellen.