JMP は多くの線形モデリング オプションを提供します。利用可能なモデルの適合機能を確認し、観測値よりも予測変数が多い可能性がある連続データセット、カテゴリデータセット、および/または複雑なデータセットに最も役立つ機能をいつどのように使用するかを学びます。
方法を参照してください:
- 基本的な回帰を理解する
- 標準最小二乗法を使用する
- 基本的な前提として、応答は正常であり、因子間に多重共線性がないことを理解します。
- 連続的またはカテゴリ的因子による連続応答を処理する
- 点と回帰「曲線」の間の誤差を最小限に抑える最適な直線を解釈します。
- 主効果、相互作用などを処理します。
- 必要に応じてボックス-コックス変換を適用します
- 段階的回帰を使用する
- ステップワイズ回帰は、すべての要素を最適化するために「ステップ」で項を追加する標準最小二乗法のようなものであることを理解します。
- 「停止ルール」と「方向」を指定してプロセスを制御します
- ボタンをクリックしてモデルを作成する
- ロジスティック回帰：順序回帰と名目回帰を使用して、特定の結果の確率を提供します。
- これらの手法は標準最小二乗法に似ていますが、順序応答または名目応答（カテゴリカル）を使用することを理解します。
- 標準回帰だけでは不十分な場合があることを理解する
- JMP Pro 一般回帰は、非正規性や相関性の高いデータに役立ちます
- 部分最小二乗法 (PLS) は、因子が観測値を超える場合に役立ちます
- モデル スクリーニングを使用すると、最適なモデルを最も早く見つけることができます。
注意: JMP では、.01 ～ .05 の p 値は赤色で表示されます。 .01 未満はオレンジ色です。 .05を超えると黒になります。色分けは、さまざまな効果を一度に分析し、統計的に有意な視覚的な手がかりをレポートで調べたい場合に役立ちます。簡単に言うと、p 値が低いということは、帰無仮説が間違っており、母集団に実際に影響があることを示しています。
Q: VIFとは何ですか?
A: 各項の分散膨張係数 (VIF) が高い VIF 値の場合、モデル内の項間に共線性の問題があることを示しています。応答に対する効果を分離することはできますか。
Q: Prediction Profiler で推定することはできますか?
A: はい。予測プロファイラーでそれを超えると、外挿制御をオンにして、外挿が適切でない場合に警告を受け取ることができます。問題がある場合は、赤いテキストの警告が点滅します。結果を裏付けるデータがない可能性があるため、モデルでの外挿には注意してください。
Q: モデル仕様で「クロス vs ネスト vs マクロ」はいつ使用しますか?
A: これらはモデルを構築するさまざまな方法であり、さまざまなユースケースに適した方法もあります。クロスは、2 つ以上の変数を交差させることで、相互作用と多項式効果を作成します。ネストは、ネストされた効果を作成します。マクロは、一般的に使用されるモデルの効果を生成します。詳細については、ドキュメントを参照してください。
Q: Box-Cox 変換後も分布が正規分布にならない場合はどうすればよいでしょうか?
A: データを調べて、結果に影響を与えていると思われるドメイン知識があるかどうか、パターンがあるかどうか、十分なデータがあるかどうかを確認します。または、より堅牢なツールを使用します。JMP Pro では一般化回帰を使用します。
Q: ステップワイズアプローチは一種の因子スクリーニングと考えてよいでしょうか?
A: 一度に要素を追加しますが、多くのインタラクションを追加したためです。因子スクリーニングは通常、主効果のみに注目します。
Q: R スクエアが非常に低い場合はどうすればよいですか?
A: 場合によります。R 平方は相対的な値です。低いしきい値が何であるかによって異なります。通常、低いということは、応答に関連する問題があることを示しています。モデルにさらに項を追加できます。
Q: GenReg は一般化線形モデルとどう違うのですか? どちらをいつ使用するのですか?
A: 比較するには、 一般化線形モデルと一般化回帰モデルに関するドキュメントを参照してください。
Q: ChiSq 応答と p 値が得られるのはなぜですか?
A: 詳細についてはドキュメントを参照してください。レポートに関する質問がある場合は、疑問符 (?) アイコンを使用して質問し、回答してください。
Q: JMP 17 (Pro バージョンではありません) を使用しています。複数の分布が混合しており、一般化線形回帰分布 (正規分布、二項分布、ポアソン分布、または指数分布) のいずれにも該当しない分布にはどのように対処すればよいですか?
A: 時間をかけてデータを掘り下げて、混合物が存在する理由を定義する何かが起こっているかどうかを確認してください。おそらくデータが大量にあるのか、それぞれの分布が異なるカテゴリ要因があるのか、データがあまりない場合はそれが原因である可能性があります。何が起こっているのかを特定し、場合によってはさらにデータを取得するか、プロファイラーのシミュレーター (赤い三角形からアクセス) を使用して、何が起こっているのかを特定してください。
Q: ロジスティックモデルのフィッティングについて話していただけますか?
A: ロジスティック モデルには非連続 (順序または名目) 応答があり、その応答値を持つ何かの可能性を予測しています。この手法は標準最小二乗法に似ていますが、継続的な応答は得られません。
Q: 段階的回帰で最適なモデルを知るにはどうすればよいですか。
A: レポートに記載されています。その左側の円をチェックすると、JMP が実行します。
以前のセッションでの質問に Peter Polito @Peter_Politoが回答しましたそしてクロヴィス・ワイスバート@cweisbart :
Q: Fit Stepwise プラットフォームにはどうやってアクセスできますか?
A: Fit Model プラットフォームでは、右上隅にドロップダウン オプションがあります。標準最小二乗法からステップワイズ法に変更できます。
Q: スクリプトを保存するとは、新しいデータ セットについて、既存のデータ セットを削除し、新しいデータ セットに置き換え、新しい名前で保存し、実行して新しい結果を取得できることを意味しますか?
A: はい、スクリプトが機能するには、新しいデータに同じ変数名が付いている必要があります。
Q: 線形回帰では、出力の生データの正規性と残差の正規性のうちどちらが重要ですか?
A: どちらも重要です。反応（出力）が正常でない場合はグラデーションなので、多少異常であれば大丈夫でしょう。非常に歪んでいる場合は大丈夫ではありません。そして、残差に非正規性がある場合、それは問題ありません。これは、モデル内に対処されていない何らかのバイアスまたは何らかの要因が存在していることを意味します。
Q: ガンマ分布が最適だった例では、モデリング時に変換を選択するか、一般化線形モデリングを使用するか、あるいはこれより優れたアプローチを選択しますか?
A: 非正規データがある場合は、JMP Pro の機能である一般化回帰を使用します。 「分析」>「モデルの適合」に移動し、12 か月の累計を応答にドラッグします。ここで [一般化回帰] を選択します。これにより、特定の応答の分布を適用するオプションが得られるため、実際にガンマ分布を選択することができ、それがモデル構築で考慮されます。データが正常でないときは常にこれを行います。私は JMP Pro を持っているので、通常はとにかくこれに進みます。JMP Pro が一般化回帰を実行すると、常に一般化回帰出力に加えて標準最小二乗出力が得られるからです。
A: JMP 再帰的パーティショニングは CHAID ではなく CART です。分類および回帰ツリーでは、各ポイントでバイナリ分割があり、CHAID では各ステップで変数を複数分割できます。に関するドキュメントを参照してください。 パーティションの統計の詳細。
Q: モデル内で p 値が 0.05 を超える因子を保持する状況はありますか?
A: はい、少なくとも 2 つのインスタンスがあり、ケースバイケースで他のインスタンスが存在する可能性があります。場合によっては、主効果は重要ではありませんが、重要な相互作用の一部です。あるいは、最終製品に不可欠であるとわかっている要素があるかもしれません。以下に例を示します。
このトピックに関する以前のセッションで回答された質問:
Q: 2 つの予測子/因子が相互に強い相関があり、どちらもモデル内の Y に強く影響する場合、JMP はモデルの適合プラットフォームで最初にリストされた方を低い p 値を持つものとして選択し、共変動を与えるだけですか? 1 つは、上記の共分散を考慮すると実質的に何も「追加」されないため、非常に高い p 値ですか?
A: 多重共線性は常に調査すべき問題です。分散拡大係数 (VIF) は 1 つの潜在的なオプションです。レポート ウィンドウのパラメーター推定値テーブル内で右クリックし、[列] の下の [VIF] を選択すると、VIF を評価するオプションがあります。
Q: 因子が多すぎて、Backward Stepwise が実行できない場合でも、Forward Stepwise を実行できますか?
A: 「方向」オプションで前方選択モデルを指定できるはずです。非常に多くの潜在的な予測因子があるため、予測因子スクリーニング プラットフォームを使用することもできます。これは、変数を選択し、上位の因子を特定するための非常に強力なプラットフォームです。そこから、焦点を当てる要素のより小さなサブセットを選択することもできます。 Predictor Screening は、JMP Pro だけでなく、JMP のすべてのバージョンで利用できます。
Q: Stepwise は冗長なモデル項を選択する可能性が低いため、多重共線性に対応していますか?
A: このセッションではこれは高度すぎるため、「心配する必要はありません。共線項を自分で引き出すのが面倒なら、stepwise が面倒を見てくれます。」と解釈される可能性があります。
リソース
