Qu'est-ce qui a inspiré cette demande de liste de souhaits ?
Les modèles de la plateforme de modélisation prédictive ne disposent pas de la capacité par défaut de produire des intervalles de confiance ou des intervalles de prédiction autour des prédictions du modèle. Cependant, JPM a fourni un moyen de générer des intervalles de confiance autour des prédictions dans le profileur à l'aide du bagging ( https://www.jmp.com/support/help/en/18.0/#page/jmp/example-of-confidence-intervals-using-bagging.shtml# ). Malheureusement, il ne semble pas y avoir de moyen de produire des intervalles de prédiction dans le profileur pour les modèles prédictifs à l'aide de JMP (je suis un utilisateur de JMP 17, je ne sais donc pas si cette capacité a été ajoutée, mais d'après l'entrée d'aide de JMP 18, je ne pense pas que cette capacité ait été ajoutée). Je pense qu'il est possible de produire ces intervalles de prédiction en fonction de ma compréhension de la manière dont les intervalles de confiance sont calculés.
Quelle amélioration souhaiteriez-vous voir ?
Avec le recentrage de JMP 18 sur les intervalles de prédiction dans le profileur ( https://community.jmp.com/t5/JMPer-Cable/Prediction-Profiler-enhancements-in-JMP-18/ba-p/718342 ), j'espère que des intervalles de prédiction pour les modèles prédictifs seront ajoutés. Il serait également utile de générer des formules de colonnes pour les intervalles de confiance et les intervalles de prédiction pour les modèles prédictifs.
Pourquoi cette idée est-elle importante ?
Les intervalles de prédiction sont utiles pour déterminer si les données générées par le modèle proposé ressemblent aux données réelles, ce que l'on appelle souvent « vérification prédictive a posteriori » dans la littérature bayésienne. Si les données générées par le modèle ne ressemblent pas aux données réelles, il peut être souhaitable d'envisager un modèle différent. Veuillez consulter une description de ce concept, ainsi qu'un exemple simple, tirés du livre de John Kruschke « Doing Bayesian Data Analysis » ci-dessous :
« La cinquième étape consiste à vérifier que le modèle, avec ses valeurs de paramètres les plus crédibles, reproduit effectivement les données de manière raisonnable. C'est ce qu'on appelle une vérification prédictive postérieure... Une approche consiste à tracer un résumé des données prédites par le modèle par rapport aux données réelles... Les valeurs de pondération prédites sont résumées par des barres verticales qui montrent la plage des 95 % de valeurs de pondération prédites les plus crédibles. Le point au milieu de chaque barre indique la moyenne des valeurs de pondération prédites. En inspectant visuellement le graphique, nous pouvons voir que les données réelles semblent bien décrites par les données prédites. Les données réelles ne semblent pas s'écarter systématiquement de la tendance ou de la bande prédite par le modèle. Si les données réelles semblaient s'écarter systématiquement de la forme prédite, nous pourrions alors envisager d'autres modèles descriptifs. Par exemple, les données réelles pourraient sembler avoir une tendance non linéaire. Dans ce cas, nous pourrions étendre le modèle pour inclure des tendances non linéaires... Nous pourrions également examiner les propriétés distributionnelles des données. Par exemple, si les données semblent comporter des valeurs aberrantes par rapport à ce qui est prédit par une distribution normale, nous pourrions modifier le modèle pour utiliser une distribution à queue lourde..."
Merci d'avoir soumis cette demande et d'avoir fourni les détails @mminor . Oui, nous avons ajouté des intervalles de prédiction dans de nombreuses plateformes JMP, mais pas dans de nombreuses plateformes de modélisation prédictive. J'ai partagé cette demande avec le développement pour qu'il l'examine.
