JMP는 다양한 선형 모델링 옵션을 제공합니다. 사용 가능한 적합 모델 기능을 확인하고 관측치보다 예측 변수가 더 많을 수 있는 연속형, 범주형 및/또는 복잡한 데이터 세트에 가장 유용한 기능을 언제, 어떻게 사용하는지 알아보세요.
방법을 확인하세요:
- 기본 회귀 이해
- 표준 최소제곱 사용
- 반응이 정상이고 요인 간에 다중 공선성이 없다는 기본 가정을 이해합니다.
- 연속형 또는 범주형 요인으로 연속 반응을 처리합니다.
- 점과 회귀 '곡선' 사이의 오류를 최소화하는 최적선 해석
- 주효과, 상호작용 등을 처리합니다.
- 필요한 경우 Box-Cox 변환 적용
- 단계적 회귀 사용
- 단계적 회귀 분석은 모든 요인을 최적화하기 위해 '단계'로 항을 추가하는 표준 최소 제곱과 유사하다는 점을 이해합니다.
- '정지 규칙'을 지정하면 '방향'이 프로세스를 제어합니다.
- 버튼 클릭으로 모델 만들기
- 로지스틱: 순서 및 명목 회귀를 사용하여 특정 결과의 확률 제공
- 이러한 기법은 표준 최소 제곱법과 유사하지만 순서형 또는 명목형 응답(범주형)을 사용한다는 점을 이해합니다.
- 때로는 표준 회귀만으로는 충분하지 않다는 점을 이해하세요.
- JMP Pro 일반화 회귀는 비정규적이고 상관 관계가 높은 데이터에 유용할 수 있습니다.
- 부분 최소 제곱법(PLS)은 요인이 관측치를 초과할 때 유용합니다.
- 모델 스크리닝을 사용하면 가장 빠른 속도로 최상의 모델을 찾을 수 있습니다.
알림: JMP에서 .01과 .05 사이의 p-값은 빨간색으로 표시됩니다. .01 미만은 주황색입니다. .05보다 크면 검정색입니다. 색상 구분은 여러 가지 효과를 동시에 분석하고 보고서에서 통계적 중요성에 대한 시각적 단서를 찾고자 할 때 도움이 될 수 있습니다. 간단히 말해서 p-값이 낮다는 것은 귀무 가설이 틀렸고 모집단에 실제로 영향이 있음을 나타냅니다.
Q: VIF란 무엇인가요?
A: 높은 VIF 값의 각 항에 대한 분산 팽창 인자(VIF)는 모형의 항 간의 공선성 문제를 나타냅니다. 반응과 관련하여 효과를 분리할 수 있습니까?
Q: 예측 프로파일러에서 추정할 수 있나요?
답: 그렇습니다. 예측 프로파일러에서 그 이상을 수행하면 외삽 제어를 켜서 외삽이 적합하지 않은 경우 경고를 받을 수 있습니다. 문제가 있는 경우 빨간색 텍스트 경고가 깜박입니다. 결과를 뒷받침할 데이터가 없을 수 있으므로 모델에서 외삽하는 데 주의하세요.
Q: 모델 사양에서 "교차 vs 중첩 vs 매크로"는 언제 사용합니까?
A: 이는 모델을 구성하는 다양한 방법이며, 일부는 다양한 사용 사례에 적합합니다. 교차 두 개 이상의 변수를 교차하여 상호작용 및 다항식 효과를 생성합니다. Nest 중첩된 효과를 만듭니다. 매크로 일반적으로 사용되는 모델에 대한 효과를 생성합니다. 자세한 내용은 설명서를 참조하세요.
Q: Box-Cox 변환 후에도 분포가 여전히 정규 분포가 아닌 경우 어떻게 해야 합니까?
A: 결과에 영향을 미칠 수 있다고 생각되는 도메인 지식이 있는지, 패턴이 있는지, 데이터가 충분한지 데이터를 살펴보세요. 아니면 좀 더 강력한 도구를 사용하세요. JMP Pro에서는 일반화 회귀를 사용합니다.
Q: 단계별 접근 방식을 일종의 요인 선별로 간주할 수 있나요?
A: 요소는 한 번에 추가되지만 상호 작용이 많이 추가되었기 때문입니다. 요인 선별은 일반적으로 주효과만 살펴봅니다.
Q: R 제곱이 매우 낮으면 어떻게 해야 하나요?
답: 상황에 따라 다릅니다. R-제곱은 상대적인 가치를 갖습니다. 낮은 임계값이 무엇인지에 따라 다릅니다. 낮음은 일반적으로 귀하의 응답과 관련된 문제가 있음을 나타냅니다. 모델에 더 많은 항을 추가할 수 있습니다.
Q: GenReg는 일반화 선형 모델과 어떻게 다릅니까? 언제 어느 것을 사용합니까?
A: 비교하려면 일반화 선형 모델 및 일반화 회귀 모델 에 대한 문서를 참조하세요.
Q: ChiSq 응답과 p-값을 얻는 이유는 무엇입니까?
A: 자세한 내용은 설명서를 참조하세요. 보고서에 대한 질문이 있는 경우 물음표(?) 아이콘을 사용하여 질문하고 대답하세요.
질문: 저는 JMP 17(Pro 버전 아님)을 사용하고 있습니다. 여러 분포가 혼합되어 있고 일반화 선형 회귀 분포(정규, 이항, 포아송 또는 지수)에 적합하지 않은 분포를 어떻게 처리해야 합니까?
A: 혼합물을 사용하는 이유를 정의하는 어떤 일이 일어나고 있는지 확인하기 위해 데이터를 조사하는 데 시간을 투자하세요. 어쩌면 데이터가 많을 수도 있고, 각각 다른 분포를 갖는 범주형 요인이 있을 수도 있고, 데이터가 많지 않다면 그것 때문일 수도 있습니다. 무슨 일이 일어나고 있는지 확인하고 더 많은 데이터를 얻거나 프로파일러의 시뮬레이터(빨간색 삼각형에서 액세스)를 사용하여 무슨 일이 일어나고 있는지 확인하세요.
Q: 로지스틱 모델 피팅에 대해 말씀해 주시겠어요?
A: 로지스틱 모델에는 비연속(순서 또는 명목) 응답이 있으며 우리는 응답 값을 갖는 항목의 가능성을 예측하고 있습니다. 이 기술은 표준 최소 제곱법과 유사하지만 지속적인 응답을 얻지 못합니다.
Q: 단계별 회귀 분석에서 가장 좋은 모델을 어떻게 알 수 있나요?
A: 보고서에서 확인하실 수 있습니다. 왼쪽에 있는 원을 확인하면 JMP가 이를 실행합니다.
Peter Polito @Peter_Polito 가 답변한 이전 세션의 질문그리고 클로비스 와이스바트(Clovis Weisbart) @cweisbart :
Q: Fit Stepwise 플랫폼에 어떻게 접근하나요?
A: Fit Model 플랫폼에 있을 때 오른쪽 상단에 드롭다운 옵션이 있습니다. 표준 최소 제곱에서 단계별로 변경할 수 있습니다.
Q: 스크립트를 저장하면 새 데이터 세트의 경우 기존 데이터 세트를 삭제하고 새 데이터 세트로 바꾸고 새 이름으로 저장하고 실행하여 새 결과를 얻을 수 있다는 의미입니까?
A: 예, 그리고 스크립트가 작동하려면 새 데이터의 변수 이름이 동일해야 합니다.
Q: 선형 회귀, 출력에 대한 원시 데이터의 정규성 또는 잔차의 정규성에서 더 중요한 것은 무엇입니까?
A: 둘 다 중요해요. 반응(출력)이 비정상이라면 그라데이션이므로 약간 비정상이라면 아마 괜찮을 것입니다. 너무 비뚤어지면 안 돼요. 그리고 잔차에 비정규성이 있으면 괜찮지 않습니다. 이는 모델에 해결되지 않은 일종의 편견이나 요인이 작용하고 있음을 의미합니다.
Q: 감마 분포가 가장 좋은 예를 통해 모델링할 때 변환이나 일반 선형 모델링 사용을 선택하시겠습니까, 아니면 이것이 더 나은 접근 방식을 선택하시겠습니까?
A: 비정규 데이터가 있는 경우 JMP Pro 기능인 일반화 회귀를 사용합니다. 분석>모델 적합으로 이동한 다음 12개월 누적 결과를 응답에 끌어다 놓습니다. 여기에서 특정 응답의 분포를 적용할 수 있는 옵션을 제공하는 일반화 회귀를 선택합니다. 따라서 실제로 감마 분포를 선택할 수 있으며 모델 구성에서 이 분포가 고려됩니다. 내 데이터가 정상이 아닐 때마다 이 작업을 수행합니다. JMP Pro가 있기 때문에 보통 이 방법으로 이동합니다. 왜냐하면 JMP Pro가 일반화 회귀를 실행할 때 항상 일반화 회귀 결과 외에 표준 최소 제곱 결과도 제공하기 때문입니다.
A: JMP 재귀적 파티셔닝은 CHAID가 아닌 CART입니다. 분류 및 회귀 트리에서는 각 지점에 이진 분할이 있으며 CHAID는 각 단계에서 변수의 다중 분할을 허용합니다. 에 대한 문서를 참조하세요. 파티션에 대한 통계 세부정보입니다.
Q: 모델에서 p-값이 .05보다 큰 요인을 유지해야 하는 상황이 있습니까?
A: 예, 최소한 두 가지 사례가 있으며 사례별로 다른 사례가 있을 수도 있습니다. 때때로 주효과는 중요하지 않지만 중요한 상호작용의 일부입니다. 또는 최종 제품에 필수적이라고 알고 있는 요소가 있을 수도 있습니다. 예는 다음과 같습니다.
이 주제에 대한 이전 세션에서 답변된 질문:
질문: 두 개의 예측 변수/요인이 서로 강한 상관관계가 있고 둘 다 모델의 Y에 큰 영향을 미치는 경우 JMP는 적합 모델 플랫폼에서 p-값이 낮은 것으로 먼저 나열한 변수를 선택한 다음 공분산을 제공합니까? 공분산이 주어지면 어떤 것도 효과적으로 "추가"하지 않기 때문에 하나는 매우 높은 p-값입니까?
A: 다중공선성은 항상 조사해 볼 수 있는 좋은 질문입니다. VIF(Variance Inflation Factor)는 잠재적인 옵션 중 하나입니다. 보고서 창의 매개변수 추정 테이블 내에서 마우스 오른쪽 버튼을 클릭하고 열 아래에서 VIF를 선택하여 VIF를 평가하는 옵션을 찾을 수 있습니다.
Q: 요인이 너무 많아 Backward Stepwise를 수행할 수 없는 경우에도 Forward Stepwise를 수행할 수 있습니까?
A: "방향" 옵션에서 순방향 선택 모델을 지정할 수 있어야 합니다. 수많은 잠재적인 예측 변수가 있는 경우 변수 선택 및 주요 요인 식별을 위한 매우 강력한 플랫폼인 예측 스크리닝 플랫폼을 사용할 수 있습니다. 여기에서 집중할 요소의 작은 하위 집합을 선택할 수 있습니다. 예측 변수 선별은 JMP Pro뿐만 아니라 모든 버전의 JMP에서 사용할 수 있습니다.
Q: Stepwise에서는 중복 모델 항을 선택할 가능성이 거의 없기 때문에 다중 공선성을 수용합니까?
A: 이 세션에서는 너무 고급 수준일 수 있으며 "걱정하지 마세요. 너무 게으른 나머지 공선상 조건을 스스로 끌어낼 수 없다면 단계적으로 처리해 드릴 것입니다."라고 해석할 수 있습니다.
자원
