Migliora la tua analisi di regressione con la potente combinazione di tecniche robuste e JMP 18 , ora dotato di perfetta integrazione con Python .
Caso di studio semplice
Ecco una tabella dati di esempio.
- La tabella dati contiene 99 righe di dati simulati
- I dati sono stati progettati per illustrare alcuni tipi di valori anomali difficili da rilevare
Riesci a rilevare valori anomali in questa tabella di dati di esempio?
Inizialmente possiamo esaminare i dati attraverso un approccio univariato.
Non siamo stati in grado di identificare i valori anomali utilizzando un approccio univariato.
Tuttavia, se allarghiamo il nostro ambito a due dimensioni, potremmo incontrare valori anomali.
Lo scenario precedente non è troppo terribile poiché possiamo identificare i valori anomali attraverso l'analisi grafica.
Tuttavia, cosa succede se abbiamo a che fare con una pletora di variabili, diciamo superiori a 10?
Regressione mediana robusta utilizzando la tabella dati Anscombe
Per mitigare l’impatto dei valori anomali, possiamo utilizzare robuste tecniche di regressione come la regressione mediana.
La regressione mediana robusta è un metodo statistico che utilizza la regressione mediana per ridurre al minimo le deviazioni assolute ed è resistente alle violazioni delle ipotesi omoschedastiche e normali.
In JMP Pro, applica facilmente la regressione mediana selezionando la personalità " Regressione generalizzata " e optando per la distribuzione " Regressione quantile ", specificando il quantile come 0,5 tramite la piattaforma Stima modello .
Di seguito viene presentato il risultato della regressione mediana applicata al set di dati di esempio "Anscombe" all'interno di JMP.
Se utilizzi JMP 18, non JMP Pro 18, puoi applicare la regressione mediana tramite la nuova funzionalità di JMP 18, l'integrazione Python.
import jmp
import jmputils
dt = jmp.open(jmp.SAMPLE_DATA + "anscombe.jmp")
# Import Modules
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
# Reshape Data
x = np.reshape(dt['x3'],(-1,1))
y = np.reshape(dt['y3'],(-1,1))
print(x)
print(y)
# Mean Regression vs Median Regression
lr = LinearRegression()
lr.fit(x, y)
beta_ls = lr.intercept_, lr.coef_[0]
q = 0.5
rm = sm.QuantReg(y, sm.add_constant(x)).fit(q, prepend=True)
beta_md = rm.params[0], rm.params[1]
# Print Mean & Median Regression Coefficient
print(beta_ls)
print(beta_md)
L'output dei coefficienti beta è elencato nelle finestre LOG come di seguito.
(array([<FONT color="#0000FF"><STRONG>3.00245455</STRONG></FONT>]), array([<FONT color="#0000FF"><STRONG>0,49972727</STRONG></FONT>]))
(<FONT color="#FF0000"><STRONG>4.009997266957748</STRONG></FONT>, <FONT color="#FF0000"><STRONG>0.34500026527269356</STRONG></FONT>)
Giusto per farti sapere, i seguenti risultati indicano il coefficiente di regressione medio calcolato utilizzando JMP.
È possibile confrontare i coefficienti beta sopra sia per la regressione media che per quella mediana.
Considerazioni conclusive;
La dimostrazione fornita offre una comprensione fondamentale dell'interazione JMP e Python in JMP 18 .
Sfruttare la potenza dell'integrazione di Python all'interno di JMP rappresenta un'entusiasmante opportunità per elevare la tua abilità analitica, consentendoti di ampliare la tua esperienza e ottenere informazioni più solide.
Riformattato qui per renderlo più facile da leggere, copiare e incollare.
import jmp
# from jmputils import jpip
# jpip('install', 'statsmodels scikit-learn matplotlib numpy pandas')
dt = jmp.open(jmp.SAMPLE_DATA + "anscombe.jmp")
# Import Modules
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
# Reshape Data
x = np.reshape(dt['x3'],(-1,1))
y = np.reshape(dt['y3'],(-1,1))
print(x)
print(y)
# Mean Regression vs Median Regression
lr = LinearRegression()
lr.fit(x, y)
beta_ls = lr.intercept_, lr.coef_[0]
q = 0.5
rm = sm.QuantReg(y, sm.add_constant(x)).fit(q, prepend=True)
beta_md = rm.params[0], rm.params[1]
# Print Mean & Median Regression Coefficient
print(beta_ls)
print(beta_md)
@lala Ci scusiamo per gli eventuali disagi causati. Al momento, la versione di prova di JMP 18 non è accessibile. Tuttavia, ti assicuriamo che stiamo lavorando diligentemente per rendere disponibile molto presto una nuova versione di prova di JMP. Grazie per la pazienza e la comprensione.
