JMP offre molte opzioni di modellazione lineare. Visualizza le funzionalità Stima modello disponibili e scopri quando e come utilizzare quelle più utili per set di dati continui, categorici e/o complessi, dove potrebbero essere presenti più predittori che osservazioni.
Scopri come:
- Comprendere la regressione di base
- Utilizza i minimi quadrati standard
- Comprendere che i presupposti di base sono che la risposta sia normale e che non vi sia multicollinearità tra i fattori
- Gestire la risposta continua con fattori continui o categoriali
- Interpretare la linea di migliore adattamento che minimizza l'errore tra i punti e la "curva" di regressione
- Gestire gli effetti principali, le interazioni, ecc.
- Se necessario, applicare la trasformazione di Box-Cox
- Utilizzare la regressione graduale
- Comprendi che la regressione graduale è come i minimi quadrati standard che aggiunge termini in "passaggi" per ottimizzare tutti i fattori
- Specificare "Regola di arresto" e "Direzione" controllano il processo
- Realizza il modello con un clic del pulsante
- Utilizzare Logistica: regressione ordinale e nominale per fornire la probabilità di un risultato particolare
- Comprendere che queste tecniche sono simili ai minimi quadrati standard, ma utilizzano la risposta ordinale o nominale (categorica)
- Comprendi che a volte la regressione standard non è sufficiente
- La regressione generalizzata di JMP Pro può essere utile per dati non normali e altamente correlati
- I minimi quadrati parziali (PLS) sono utili quando i fattori superano le osservazioni
- Lo screening del modello può essere utilizzato per trovare il modello migliore nel modo più rapido
Promemoria: in JMP, un valore p compreso tra 0,01 e 0,05 è colorato in rosso; meno di .01 è arancione; maggiore di 0,05 è nero. La codifica a colori può essere utile quando si analizzano più effetti diversi contemporaneamente e si desidera cercare nei report segnali visivi di rilevanza statistica. In termini semplici, un valore p basso suggerisce che l’ipotesi nulla è sbagliata e che esiste davvero un effetto nella popolazione.
Cos'è il VIF?
R: Il fattore di inflazione della varianza (VIF) per ciascun termine nei valori VIF elevati indica un problema di collinearità tra i termini nel modello. Possiamo districare gli effetti relativi alla risposta.
Possiamo estrapolare in Prediction Profiler?
R: Sì. Se vai oltre nel Prediction Profiler sarai in grado di attivare il controllo dell'estrapolazione per ricevere un avviso se/dove l'estrapolazione non è sensata. Se c'è un problema, lampeggerà un avviso testuale rosso. Fai attenzione a estrapolare in un modello, perché potresti non avere dati per eseguire il backup dei risultati.
Quando usi "croce vs annidamento vs macro" nelle specifiche del modello?
R: si tratta di modi diversi per costruire un modello, alcuni adatti a casi d'uso diversi. Incrocio Crea effetti di interazione ed polinomiali incrociando due o più variabili. Nidifica Crea effetti nidificati. Macro Genera effetti per i modelli di uso comune. Consulta la documentazione per maggiori dettagli.
Cosa dovremmo fare se la distribuzione non è ancora normale dopo la trasformazione di Box-Cox?
R: Guarda i dati per vedere se c'è qualche conoscenza del dominio che ritieni possa influenzare i risultati, c'è uno schema, dati sufficienti. Oppure utilizza uno strumento più efficace: utilizziamo la regressione generalizzata in JMP Pro.
Posso considerare l’approccio Stepwise come una sorta di screening dei fattori?
R: Aggiunge fattori alla volta, ma perché abbiamo aggiunto molte interazioni. Lo screening fattoriale in genere considera solo gli effetti principali.
Cosa fare se R quadrato è molto basso?
R: Dipende. L’R-quadrato ha un valore relativo. Dipende da quale è la tua soglia minima. Basso in genere indica che c'è qualcosa correlato alla tua risposta che rappresenta un problema. Puoi aggiungere più termini al tuo modello.
In cosa differisce GenReg dal modello lineare generalizzato? Quando usiamo quale?
R: Per effettuare un confronto, consultare la documentazione sul modello lineare generalizzato e sui modelli di regressione generalizzata .
Perché ottieni una risposta ChiSq rispetto a un valore p?
R: Consulta la documentazione per i dettagli. Ricorda che se hai una domanda su un rapporto, utilizza l'icona del punto interrogativo (?) per ottenere e rispondere.
Sto utilizzando JMP 17 (non la versione Pro). Come dovrei gestire una distribuzione che è una miscela di diverse distribuzioni e nessuna delle distribuzioni di regressione lineare generalizzata (normale, binomiale, di Poisson o esponenziale)?
R: Dedica un po' di tempo a scavare nei dati per vedere se c'è qualcosa che definisce il motivo per cui ho una miscela. Forse ci sono molti dati, forse c'è un fattore categorico per cui ognuno ha una distribuzione diversa, o se non ci sono molti dati, potrebbe essere per quello. Prova a identificare cosa sta succedendo, possibilmente ottieni più dati, o usa il simulatore nel Profiler (accedi dal triangolo rosso) per identificare cosa potrebbe succedere.
Puoi parlare di adattamento dei modelli logistici?
R: I modelli logistici hanno risposte non continue (ordinali o nominali) e stiamo prevedendo la probabilità che qualcosa abbia il valore di risposta. La tecnica è simile ai minimi quadrati standard ma non otteniamo una risposta continua.
Come faccio a conoscere il modello migliore nella regressione graduale.
R: Lo vedrai nel rapporto. Controlla il cerchio alla sua sinistra e JMP lo eseguirà.
Domande di una sessione precedente a cui ha risposto Peter Polito @Peter_Politoe Clovis Weisbart @cweisbart :
Come si accede alla piattaforma Fit Stepwise?
R: C'è un'opzione a discesa nell'angolo in alto a destra quando ti trovi nella piattaforma Adatta modello. Puoi cambiarlo da Minimi quadrati standard a Stepwise.
Salvando lo script, significa che, per un nuovo set di dati, è possibile eliminare quello esistente, sostituirlo con quello nuovo, salvarlo con un nuovo nome ed eseguirlo per ottenere nuovi risultati?
R: Sì, e affinché lo script funzioni, i nuovi dati dovranno avere gli stessi nomi di variabile.
Cos'è più importante nella tua regressione lineare, la normalità dei dati grezzi per l'output o la normalità dei residui?
R: Entrambi sono importanti. Se hai risposte (output) non normali si tratta di una gradazione, quindi se è leggermente anormale, probabilmente stai bene. Se è molto distorto, allora non va bene. E se hai una non normalità nei tuoi residui, non va bene. Ciò significa che hai una sorta di pregiudizio o una sorta di fattore in gioco nel tuo modello che non è stato affrontato.
Nell'esempio in cui una distribuzione gamma era la migliore, avresti optato per una trasformazione o per l'uso della modellazione lineare generalizzata durante la modellazione, oppure qualche approccio sarebbe migliore?
R: Quando ho dati non normali, utilizzo la regressione generalizzata, che è una funzionalità di JMP Pro. Andavo su Analizza>Adatta modello e poi trascinavo i miei 12 mesi cumulativi nella mia risposta. Da qui scelgo Regressione generalizzata, che mi dà la possibilità di applicare la distribuzione di quella particolare risposta, e quindi potrei effettivamente selezionare una distribuzione gamma e verrà presa in considerazione nella costruzione del modello. Lo faccio ogni volta che i miei dati non sono normali. Poiché ho JMP Pro, di solito vado comunque a questo, perché quando JMP Pro esegue una regressione generalizzata, fornisce sempre un output dei minimi quadrati Stardard oltre all'output della regressione generalizzata.
R: Il partizionamento ricorsivo di JMP è CART e non CHAID. Nei nostri alberi di classificazione e regressione abbiamo suddivisioni binarie in ogni punto e CHAID consente suddivisioni multiple di una variabile in ogni passaggio. Vedi la documentazione su dettagli statistici per la partizione.
Esiste una situazione in cui manterresti fattori con valori p superiori a 0,05 nel tuo modello?
R: Sì, ci sono almeno due casi e potrebbero essercene altri caso per caso. A volte l'effetto principale è insignificante ma fa parte di un'interazione significativa. Oppure potresti avere un fattore che sai essere parte integrante del prodotto finale. Ecco un esempio:
Domande a cui è stata data risposta nelle sessioni precedenti su questo argomento:
Se due predittori/fattori sono fortemente correlati tra loro ed entrambi influenzano fortemente la Y nel modello, JMP sceglierà semplicemente quello elencato per primo nella piattaforma Stima modello come avente un valore p basso, quindi fornendo la covariazione uno un valore p molto alto poiché effettivamente non "aggiunge" nulla data la suddetta covarianza?
R: La multicollinearità è sempre una buona questione su cui indagare. Il fattore di inflazione della varianza (VIF) è una potenziale opzione. All'interno della tabella Stime dei parametri nella finestra del report è possibile trovare un'opzione per valutare il VIF facendo clic con il pulsante destro del mouse e selezionando VIF in Colonne.
Se hai troppi fattori per cui non puoi fare Backward Stepwise, puoi comunque fare Forward Stepwise?
R: Dovresti essere in grado di specificare un modello di selezione diretta sotto l'opzione "Direzione". Con moltissimi potenziali predittori potresti utilizzare la piattaforma Predictor Screening, che è una piattaforma incredibilmente potente per la selezione delle variabili e l'identificazione dei fattori principali. Da lì potresti scegliere un sottoinsieme più piccolo di fattori su cui concentrarti. Lo screening predittivo è disponibile in tutte le versioni di JMP, non solo in JMP Pro.
Stepwise soddisfa la multicollinearità poiché sarà semplicemente improbabile che scelga termini di modello ridondanti?
R: Potrebbe essere troppo avanzato per questa sessione e potrebbe essere interpretato come "non preoccuparti; passo dopo passo si prenderà cura di te se sei troppo pigro per trovare termini collineari da solo".
Risorse
