Mejore su análisis de regresión con la poderosa combinación de técnicas sólidas y JMP 18 , que ahora presenta una integración perfecta con Python .
Estudio de caso sencillo
Aquí hay una tabla de datos de muestra.
- La tabla de datos contiene 99 filas de datos simulados.
- Los datos se diseñaron para ilustrar algunos tipos de valores atípicos que son difíciles de detectar.
¿Puedes detectar valores atípicos en esta tabla de datos de muestra?
Inicialmente, podemos examinar los datos mediante un enfoque univariado.
No pudimos identificar valores atípicos utilizando un enfoque univariado.
Sin embargo, si ampliamos nuestro alcance a dos dimensiones, podemos encontrar valores atípicos.
El escenario anterior no es demasiado grave ya que podemos identificar valores atípicos mediante análisis gráfico.
Sin embargo, ¿qué pasa si estamos tratando con una gran cantidad de variables, digamos que exceden 10?
Regresión mediana robusta utilizando la tabla de datos de Anscombe
Para mitigar el impacto de los valores atípicos, podemos emplear técnicas de regresión sólidas como la regresión de la mediana.
La regresión mediana robusta es un método estadístico que utiliza la regresión mediana para minimizar las desviaciones absolutas y es resistente a violaciones de supuestos homocedásticos y normales.
En JMP Pro, aplique sin esfuerzo la regresión mediana seleccionando la personalidad " Regresión generalizada " y optando por la distribución " Regresión cuantil ", especificando el cuantil como 0,5 a través de la plataforma Fit Model .
A continuación se presenta el resultado de la regresión mediana aplicada al conjunto de datos de muestra "Anscombe" dentro de JMP.
Si está utilizando JMP 18, no JMP Pro 18, puede aplicar la regresión mediana mediante la nueva característica de JMP 18, la integración de Python.
import jmp
import jmputils
# Checking installed packages
# jmputils.jpip('list')
dt = jmp.open(jmp.SAMPLE_DATA + "anscombe.jmp")
""""
print(dt.name)
print(f'Number of columns: {dt.ncols}')
dt['y3']
"""
# Install Packages
""""
jmp.run_jsl('''
Python Install Packages("statsmodels")
''')
jmp.run_jsl('''
Python Install Packages("matplotlib")
''')
"""
# 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)
La salida de los coeficientes beta se enumera en las ventanas LOG como se muestra a continuación.
(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>)
Solo para informarle, los siguientes resultados indican el coeficiente de regresión medio calculado con JMP.
Puede comparar los coeficientes beta anteriores para la regresión media y mediana.
Pensamientos concluyentes;
La demostración proporcionada ofrece una comprensión fundamental de la interacción entre JMP y Python en JMP 18 .
Aprovechar el poder de la integración de Python dentro de JMP presenta una oportunidad emocionante para elevar su destreza analítica, permitiéndole ampliar su experiencia y lograr conocimientos más sólidos.
Reformateado aquí para que sea más fácil de leer, copiar y pegar.
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 Pido disculpas por cualquier inconveniente causado. Actualmente, no se puede acceder a la prueba JMP 18. Sin embargo, tenga la seguridad de que estamos trabajando diligentemente para que una nueva versión de prueba de JMP esté disponible muy pronto. Gracias por su paciencia y comprensión.
