723862_it-IT

liliconcom

Screening dei predittori

Sto cercando di utilizzare la piattaforma di screening dei predittori e sebbene abbia seguito l'esempio su JMP, ho ancora delle domande.

Inserisco la mia variabile di risposta in un formato sì, no come nell'esempio; tuttavia, quando cerco quali variabili sono il miglior predittore della risposta, come interpreto i risultati? La variabile numero 1 è la migliore come predittore per un risultato "sì" o un risultato "no"? Oppure l'idea è di eseguire questa analisi e poi farla seguire da un'altra analisi?

Risultato positivo ?
Predittore	Contributo	Porzione		Rango
Variabile1	4.36861	0,3072		1
Variabile4	4.36012	0,3066		2
Variabile5	2.29150	0,1612		3
Variabile2	1.98570	0,1396		4
Variabile3	1.21356	0,0853		5

Ho quindi voluto approfondire la mia analisi per vedere se quale variabile fosse il miglior predittore di un esito positivo di un determinato trattamento. Per questo ho filtrato solo i dati sul trattamento che volevo, poi ho escluso quello che non volevo e ho rieseguito l'analisi. Sarebbe corretto?

La mia ultima domanda è che i dati nell'esempio su JMP erano tutti caratteri nominali. I miei risultati sono accurati se le variabili predittive sono ordinali dei caratteri o questa piattaforma è valida solo per i dati nominali dei caratteri?

Analisi e modellazione dei dati di baseRi: Screening dei predittori

Non sono sicuro dell'esempio che stai seguendo, quindi non posso essere specifico su ciò che stai mostrando. Ma posso dire che puoi certamente mescolare predittori nominali e continui e utilizzare comunque lo screening Predictor. La tua prima domanda sembra come se stessi chiedendo se la classifica si applica alla previsione di "sì" o "no". Con una variabile binaria, la classifica sarà la stessa per ciascun risultato poiché deve essere simmetrica: se una variabile è valida per prevedere "sì", deve essere valida anche per prevedere "no". Se ho capito l'altra domanda, significa che nei tuoi dati sono presenti diversi trattamenti e desideri applicare lo screening predittivo per i singoli trattamenti anziché raggrupparli insieme. In tal caso, è possibile crearne un sottoinsieme e utilizzare lo screening predittivo. In alternativa, è possibile inserire il trattamento nella casella "per" ed eseguire lo screening predittivo per ciascun trattamento separatamente. Potrebbe esserci un problema statistico nell'interpretazione dei risultati se si hanno molti trattamenti (il problema dei confronti multipli) che potrebbe rendere i risultati statistici eccessivamente stimati, ma lascerò che sia uno statistico a rispondere.

Avevi un'altra domanda: se utilizzare lo screening predittivo e poi seguirlo con un'altra analisi. Penso che la risposta sia sì. Lo screening dei predittori utilizza una foresta Bootstrap per identificare i predittori più importanti. Esistono altri modelli predittivi che potrebbero funzionare meglio una volta che si sanno quali predittori si desidera utilizzare. Anche l'esecuzione di Bootstrap Forest ti darà risultati diversi quando utilizzi quella piattaforma anziché lo screening dei predittori poiché ha più variabili di ottimizzazione che utilizza nella modellazione (che puoi regolare ulteriormente). Lo screening dei predittori fornisce un primo passaggio rapido per restringere i predittori importanti, ma lo screening del modello sarebbe il passaggio successivo da utilizzare per creare effettivamente modelli migliori utilizzando questi predittori.