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。
方法をご覧ください:
- 基本的な回帰を理解する
- 標準最小二乗法の使用
- 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はないことを理解する
- 連続因子またはカテゴリ因子を使用して連続応答を処理する
- 点と回帰曲線の間の誤差を最小化する最適な直線を解釈する
- 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
- ステップワイズ回帰を使用する
- 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に似ていることを理解する
- 「停止ルール」と「方向」を指定してプロセスを制御します
- ボタンクリックでモデルを作成する
- ロジスティック: 順序回帰および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、序数応答または名義応答 (カテゴリカル) を使用することを理解します。
- 標準的な回帰分析だけでは不十分な場合があることを理解する
- JMP Proの一般化回帰は、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有用である。
- モデルスクリーニングは、最適なモデルを最も早く見つけるために使用できます。
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: 高い VIF 値の各項の分散膨張係数 (VIF) は、モデル内の項間の共線性の問題を示しています。反応に対する効果を解きほぐすことはできるでしょうか。
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ための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ものもあります。 Cross 2 つ以上の変数を交差させることによって交互作用と多項式効果を作成します。ネスト ネストされたエフェクトを作成します。マクロ 一般的に使用されるモデルのエフェクトを生成します。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: データを見て、結果に影響を与える可能性があると思われるドメインの知識があるかどうか、パターンや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: それは状況によります。 R 二乗値は相対値です。それはあなたの閾値が低いかどうかによって異なります。低い場合は、通常、応答に関連する問題があることを示します。モデルにさらに項を追加することもできます。
Q: GenReg は一般化線形モデルとどう違うのですか?いつどれを使うのでしょうか？
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。
セッション後、JMP テクニカル サポート エンジニアの@PatrickGiuliano Patrick Giuliano は次のように書いています: Prob > ChiSquare 自体は p 値ですが、その場合、Peter が示したのはカイ 2 乗分布に関連付けられた値です (t 統計量のサンプリング分布とは異なり、JMP ではその場合の p 値が "Prob > abs(t)" として示されます)。カイ 2 乗分布は、打ち切りがあるデータ (正規分布にならない) などの "条件の悪い" データに対するより適切な推定値だと思います。
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調べて、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。
前回のセッションの質問に 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必要です。
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: 非正規データの場合は、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 に移動して、12 か月の累積を応答にドラッグします。ここで一般化回帰を選択すると、特定の応答の分布を適用するオプションが提供されます。そのため、実際にガンマ分布を選択すると、モデル構築で考慮されます。データが正規でない場合はいつでもこれを行います。JMP Pro を持っているので、通常はとにかくこれを使用します。JMP Pro で一般化回帰を実行すると、一般化回帰出力に加えて、常に標準最小二乗出力が得られるからです。
A: JMPの再帰分割はCHAIDではなくCARTです。分類ツリーと回帰ツリーでは、各ポイントでバイナリ分割が行われ、CHAIDでは各ステップで変数を複数に分割できます。 パーティションの統計詳細。
Q: モデル内で p 値が .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 つの例があり、ケースバイケースで他の例もあるかもしれません。主な効果は重要でないが、重要な相互作用の一部である場合もあります。または、最終製品に不可欠であることがわかっている要因がある場合もあります。次に例を示します。
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/因子が互いに強い相関関係があり、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良い問題です。分散インフレ係数 (VIF) は、潜在的なオプションの 1 つです。レポート ウィンドウのパラメータ推定テーブル内で、右クリックして [列] の下の VIF を選択することにより、VIF を評価するオプションを見つけることができます。
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
