こんにちは、コミュニティの皆さん
いくつかの応答変数を持つ DoE があります。それらの応答変数の 1 つは、レベル -3、-2、-1、0、1、2、3 を持つ順序変数です。
私の質問は、この応答変数をモデル化する最善またはより適切な方法は何かということです。ロジスティック回帰を使用して順序変数としてモデル化するのでしょうか。または、変数を連続変数と見なし、従来の順序最小二乗法を使用することもできますか。2 つのアプローチに関する警告はありますか。
さらに、これは有限スケールであり、-3 または 3 を超える結果は期待されないことを、何らかの方法で jmp に伝える必要がありますか?
この件に関してご意見をいただければ幸いです。
ジュリアン
具体的なアドバイスをするには十分なコンテキストがありませんが、私の考え/質問は次のとおりです。順序尺度とは何ですか? それは人間の分類/感覚知覚に基づいていますか? この応答の測定変動を評価しましたか?
順序応答が他の応答変数と相関しているかどうかを確認します (順序応答が連続に設定されていることを確認してください)。これは完璧ではありませんが、散布図を見てください。次に、両方の分析方法を試します。それらは一致していますか?
こんにちは@Julianveda 、
あなたの順序的反応は、リッカート尺度に非常によく似た感覚評価である可能性があります： Échelle de Likert — Wikipédia 。
ユースケースについて具体的にサポートするのは非常に難しいかもしれません。さまざまな要因に依存する可能性があるためです。要因の中には、測定システムの機能、オペレーター間の合意、感度などに関連するものもあれば、データ サンプルの特性やアルゴリズムの選択に関連するものもあります。 @statman が測定システムの機能に関連するものについてはすでに言及しているので、データ サンプルとアルゴリズムの選択に焦点を当てます。
7 ポイントは、このタイプのスケールの推奨レベル数ですが、その有効性は、データのバランスと異なるレベル間の代表性、およびデータの量 (および品質、つまり信号/ノイズ) に依存します。 不均衡が著しい状況や、一部の評価がオペレーターによって使用されていない (またはほとんど使用されていない) 場合、データを「そのまま」分析することは非常に難しい可能性があります。そのため、一部の評価/クラスをビン化/グループ化するなど、データを前処理/クリーン化すると役立つ場合があります。 クラスの数を単純化すると、ロジスティック モデルやその他のアルゴリズムがクラスを最適に分離するためのルールを「見つけ出す」のに役立ちます。 ただし、問題を「過度に単純化」しないでください。そうしないと、些細な結論/結果のみを含む「役に立たない」モデルになるか、それぞれに多くの異なる「現実」/レベルがある非常にノイズの多いクラスになるリスクがあります。
また、評価を順序応答として使用すると、連続数値応答よりも多くの係数を推定する必要があることにも注意してください。n-1 個の切片 (n はクラスの数) と、要因 (主効果、相互作用など、想定モデルによって異なります) にリンクされたパラメーター推定値を推定する必要があります。DoE では、これらすべての係数を推定するのに十分なデータがない場合があり、その場合はクラスを簡素化する (一部をグループ化する)、連続応答を使用する、または異なるタイプのモデル/アルゴリズムを使用する (次のセクション) ことを選択する必要が生じる可能性があります。
順序応答と連続応答のどちらを使用するかの選択は、応答のクラスの数、およびクラス間の均一/均等間隔 (数値的および感覚的観点から) にも関連している可能性があります。クラスが各隣接クラス間で 1 の差がある場合でも (数値的観点から均一間隔)、オペレーターは評価のこの直線性と均一性を本当に「感じる」のでしょうか。それとも、知覚に何らかの「ギャップ」または差異がありますか (中間クラス -1、0、1 間、または極端なクラス -3 と -2 間または 2 と 3 間に差異がまったくまたはほとんど認識されないなど)。評価にはベンチマーク (0 と表記) が含まれており、実験の評価を別の参照サンプルを参照して行うことができますか。
クラス/評価間の分離の線形性（および応答と予測子間の線形性の仮定）に応じて、ロジスティック回帰はいくつかの問題に遭遇する可能性があります。非線形の方法でクラスを分離するのに役立つ可能性のある他のタイプのモデル/アルゴリズムを使用してみるのも興味深いかもしれません。一部の機械学習アルゴリズムは、過剰適合のリスクを減らして非線形の方法でクラスを分離するのに効果的であるため、たとえばブートストラップフォレストやサポートベクターマシンを使用してみることができます。これらのアルゴリズムは、応答を数値的に連続していると見なすことにした場合にも使用できます。
クラスが線形に分離可能で、入力が連続している場合は、 判別分析をチェックして、さまざまな方法が結果についてどのように一致するか、または異なるかを確認することもできます。
いずれにせよ、分析を行う前に、まずデータをプロットして傾向を視覚化することをお勧めします。傾向やパターンを見つけることができますか? クラス間の分離は簡単/難しいように見えますか (データを調査するために、各予測子に応じて応答を単変量で視覚化または分析します)?
この補足的な回答があなたにとって意味があり、役立つことを願っています。
数多くの詳細なヒントを提供してくれた@Victor_Gに感謝します:)
私はビニングをテストしましたが、他のほとんどの代替手段はまだテストしていません。残念ながらプロ版を持っていないので、ML の代替手段については、他の場所でテストするか、それほど高度ではない代替手段に固執する必要があります。
