JMP propose de nombreuses options de modélisation linéaire. Découvrez les fonctionnalités d'ajustement du modèle disponibles et apprenez quand et comment utiliser celles qui sont les plus utiles pour les ensembles de données continus, catégoriels et/ou complexes où il peut y avoir plus de prédicteurs que d'observations.
Découvrez comment :
- Comprendre la régression de base
- Utiliser les moindres carrés standards
- Comprendre que les hypothèses de base sont que la réponse est normale et qu'il n'y a pas de multicolinéarité entre les facteurs
- Gérer une réponse continue avec des facteurs continus ou catégoriels
- Interpréter la ligne de meilleur ajustement qui minimise l'erreur entre les points et la « courbe » de régression
- Gérer les effets principaux, les interactions, etc.
- Appliquer la transformation Box-Cox si nécessaire
- Utiliser la régression pas à pas
- Comprendre que la régression pas à pas est comme la méthode des moindres carrés standard qui ajoute des termes par « étapes » pour optimiser tous les facteurs.
- Spécifiez « Règle d'arrêt » et « Direction » pour contrôler le processus
- Réalisez le modèle en cliquant sur un bouton
- Utilisez la logistique : régression ordinale et nominale pour fournir une probabilité d'un résultat particulier.
- Comprendre que ces techniques sont similaires aux moindres carrés standards, mais utilisent une réponse ordinale ou nominale (catégorique)
- Comprendre que parfois la régression standard ne suffit pas
- La régression généralisée JMP Pro peut être utile pour les données non normales et hautement corrélées.
- Les moindres carrés partiels (PLS) sont utiles lorsque les facteurs dépassent les observations
- La sélection de modèles peut être utilisée pour trouver le meilleur modèle le plus rapidement possible.
Rappel : Dans JMP, une valeur p comprise entre 0,01 et 0,05 est colorée en rouge ; moins de 0,01 est orange ; supérieur à 0,05 est noir. Le codage couleur peut s'avérer utile lorsque vous analysez plusieurs effets différents à la fois et que vous souhaitez rechercher dans les rapports des indices visuels statistiquement significatifs. En termes simples, une valeur p faible suggère que l’hypothèse nulle est fausse et qu’il existe réellement un effet dans la population.
Q : Qu’est-ce que le VIF ?
R : Le facteur d'inflation de la variance (VIF) pour chaque terme dans les valeurs VIF élevées indique un problème de colinéarité entre les termes du modèle. Pouvons-nous démêler les effets par rapport à la réponse.
Q : Pouvons-nous extrapoler dans Prediction Profiler ?
R : Oui. Si vous allez au-delà du Prediction Profiler, vous pourrez activer le contrôle d'extrapolation pour recevoir un avertissement si/où l'extrapolation n'est pas raisonnable. Un avertissement textuel rouge clignotera en cas de problème. Soyez prudent lorsque vous extrapolez dans un modèle, car vous ne disposerez peut-être pas de données pour sauvegarder les résultats.
Q : Quand utilisez-vous « cross vs nest vs macros » dans la spécification du modèle ?
R : il s’agit de différentes manières de construire un modèle, certaines adaptées à différents cas d’utilisation. Croiser Crée des effets d'interaction et polynomiaux en croisant deux variables ou plus. Nest Crée des effets imbriqués. Macros Génère des effets pour les modèles couramment utilisés. Voir la documentation pour plus de détails.
Q : Que devons-nous faire si la distribution n'est toujours pas normale après la transformation de Box-Cox ?
R : Examinez les données pour voir s'il existe des connaissances dans le domaine qui, selon vous, pourraient influencer les résultats, existe-t-il une tendance ou suffisamment de données. Ou utilisez un outil plus robuste : nous utilisons la régression généralisée dans JMP Pro.
Q : Puis-je considérer l’approche Stepwise comme une sorte de sélection factorielle ?
R : Cela ajoute des facteurs à la fois, mais parce que nous avons ajouté de nombreuses interactions. Le dépistage factoriel examine généralement uniquement les effets principaux.
Q : Que faire si R carré est très faible ?
R : Cela dépend. Le R-carré a une valeur relative. Cela dépend de votre seuil bas. Faible indique généralement qu'il y a quelque chose lié à votre réponse qui pose problème. Vous pouvez ajouter plus de termes à votre modèle.
Q : En quoi GenReg diffère-t-il du modèle linéaire généralisé ? Quand utilisons-nous quoi ?
R : Pour comparer, consultez la documentation sur le modèle linéaire généralisé et les modèles de régression généralisés .
Q : Pourquoi obtenez-vous une réponse ChiSq par rapport à une valeur p ?
R : Consultez la documentation pour plus de détails. N'oubliez pas que si vous avez une question sur un rapport, utilisez l'icône Point d'interrogation (?) pour obtenir une réponse.
Après la session, l'ingénieur du support technique JMP @PatrickGiuliano Patrick Giuliano a écrit : Le Prob > ChiSquare est lui-même une valeur p, mais dans ce cas Peter a démontré, celle associée à la distribution du Chi carré (par rapport à la distribution d'échantillonnage du statistique t, où JMP indiquerait une valeur p pour ce cas comme "Prob > abs(t)") - Je pense que les distributions Chi2 sont de meilleurs estimateurs pour les données "mal conditionnées" comme les données pour lesquelles nous avons une censure (ce qui n'est pas le cas). ne sera pas normalement distribué).
Q : J'utilise JMP 17 (pas la version Pro). Comment dois-je gérer une distribution qui est un mélange de plusieurs distributions et qu'aucune des distributions de régression linéaire généralisée (normale, binomiale, de Poisson ou exponentielle) ne convient ?
R : Passez du temps à fouiller dans les données pour voir s’il se passe quelque chose qui définit pourquoi j’ai un mélange. Peut-être qu'il y a beaucoup de données, peut-être qu'il y a un facteur catégoriel dont chacun a une distribution différente, ou s'il n'y a pas beaucoup de données, c'est peut-être à cause de cela. Essayez d'identifier ce qui se passe, éventuellement d'obtenir plus de données, ou utilisez le simulateur dans le profileur (accédez-y à partir du triangle rouge) pour identifier ce qui pourrait se passer.
Q : Pouvez-vous parler de l’adaptation de modèles logistiques ?
R : Les modèles logistiques ont des réponses non continues (ordinales ou nominales) et nous prédisons la probabilité qu'un quelque chose ait la valeur de réponse. La technique est similaire aux moindres carrés standard mais nous n'obtenons pas de réponse continue.
Q : Comment connaître le meilleur modèle de régression pas à pas.
R : Vous le verrez dans le rapport. Vérifiez le cercle à gauche et JMP l'exécutera.
Questions d'une session précédente répondues par Peter Polito @Peter_Politoet Clovis Weisbart @cweisbart :
Q : Comment accéder à la plateforme Fit Stepwise ?
R : Il existe une option déroulante dans le coin supérieur droit lorsque vous êtes sur la plateforme Ajuster le modèle. Vous pouvez le changer de Moindres carrés standard à Stepwise.
Q : En enregistrant le script, cela signifie-t-il que, pour un nouvel ensemble de données, vous pouvez supprimer celui existant, le remplacer par le nouveau, l'enregistrer sous un nouveau nom et l'exécuter pour obtenir de nouveaux résultats ?
R : Oui, et les nouvelles données doivent avoir les mêmes noms de variables pour que le script fonctionne.
Q : Qu'est-ce qui est le plus important dans votre régression linéaire : la normalité de vos données brutes pour la sortie ou la normalité des résidus ?
R : Les deux sont importants. Si vous avez des réponses (sortie) non normales, il s'agit d'une gradation, donc si c'est légèrement anormal, alors tout va probablement bien. Si c'est très asymétrique, alors ce n'est pas correct. Et si vous avez des valeurs non normales dans vos résidus, ce n'est pas acceptable. Cela signifie qu'il y a une sorte de biais ou une sorte de facteur en jeu dans votre modèle et qui n'est pas pris en compte.
Q : Avec l'exemple où une distribution gamma était la meilleure, auriez-vous opté pour une transformation ou l'utilisation d'une modélisation linéaire généralisée lorsque vous modélisez, ou une approche qui serait meilleure ?
R : Lorsque j'ai des données non normales, j'utilise la régression généralisée, qui est une fonctionnalité de JMP Pro. J'allais dans Analyser> Ajuster le modèle, puis je faisais glisser mon cumul de 12 mois dans ma réponse. À partir de là, je choisis la régression généralisée, qui me donne la possibilité d'appliquer la distribution de cette réponse particulière, et ainsi je peux réellement sélectionner une distribution gamma et elle sera prise en compte dans la construction du modèle. Je fais cela chaque fois que mes données ne sont pas normales. Parce que j'ai JMP Pro, j'y vais généralement de toute façon, car lorsque JMP Pro exécute une régression généralisée, il vous donne toujours une sortie des moindres carrés standard en plus de la sortie de régression généralisée.
R : Le partitionnement récursif JMP est CART et non CHAID. Dans nos arbres de classification et de régression, nous avons des divisions binaires à chaque point, et CHAID permet plusieurs divisions d'une variable à chaque étape. Voir la documentation sur le détails statistiques pour la partition.
Q : Existe-t-il une situation dans laquelle vous conserveriez les facteurs avec des valeurs p supérieures à 0,05 dans votre modèle ?
R : Oui, il y a au moins deux cas et il peut y en avoir d'autres au cas par cas. Parfois, l’effet principal est insignifiant mais il fait partie d’une interaction significative. Ou bien, vous pouvez avoir un facteur dont vous savez qu’il fait partie intégrante du produit final. Voici un exemple:
Questions répondues lors des sessions précédentes sur ce sujet :
Q : Si deux prédicteurs/facteurs sont fortement corrélés l'un avec l'autre et qu'ils affectent tous deux fortement le Y dans le modèle, JMP choisira-t-il simplement celui que vous avez répertorié en premier dans la plateforme Ajuster le modèle comme ayant une faible valeur p, puis en donnant la variable covariante ? une valeur p très élevée car elle n'ajoute effectivement rien étant donné ladite covariance ?
R : La multicolinéarité est toujours une bonne question à étudier. Le facteur d’inflation de variance (VIF) est une option potentielle. Dans le tableau Estimations des paramètres de la fenêtre du rapport, vous pouvez trouver une option pour évaluer le VIF en cliquant avec le bouton droit et en sélectionnant VIF sous Colonnes.
Q : Si vous avez trop de facteurs pour lesquels vous ne pouvez pas faire une marche arrière par étapes, pouvez-vous quand même faire une marche avant par étapes ?
R : Vous devriez pouvoir spécifier un modèle de sélection directe sous l'option "Direction". Avec de très nombreux prédicteurs potentiels, vous pouvez utiliser la plateforme Predictor Screening, qui est une plateforme incroyablement puissante pour la sélection de variables et l'identification des principaux facteurs. À partir de là, vous pouvez choisir un sous-ensemble plus restreint de facteurs sur lesquels vous concentrer. Predictor Screening est disponible dans toutes les versions de JMP, pas seulement dans JMP Pro.
Q : Stepwise prend-il en charge la multicolinéarité, car il est tout simplement peu probable qu'il choisisse des termes de modèle redondants ?
R : Cela pourrait être trop avancé pour cette session et pourrait être interprété comme : « ne vous inquiétez pas ; étape par étape s'occupera de vous si vous êtes trop paresseux pour extraire vous-même des termes colinéaires. »
Ressources
