Was hat Sie zu dieser Wunschliste inspiriert?
Modelle in der Predictive Modeling-Plattform verfügen standardmäßig nicht über die Möglichkeit, Konfidenzintervalle oder Vorhersageintervalle um Modellvorhersagen herum zu erstellen. JPM bietet jedoch eine Möglichkeit, mithilfe von Bagging Konfidenzintervalle um die Vorhersagen im Profiler herum zu erstellen ( https://www.jmp.com/support/help/en/18.0/#page/jmp/example-of-confidence-intervals-using-bagging.shtml# ). Leider scheint es keine Möglichkeit zu geben, mithilfe von JMP Vorhersageintervalle im Profiler für Vorhersagemodelle zu erstellen (ich bin ein JMP 17-Benutzer, daher bin ich mir nicht sicher, ob diese Funktion hinzugefügt wurde, aber basierend auf dem Hilfeeintrag zu JMP 18 glaube ich nicht, dass diese Funktion hinzugefügt wurde). Ich vermute, dass es nach meinem Verständnis der Berechnung der Konfidenzintervalle machbar ist, diese Vorhersageintervalle zu erstellen.
Welche Verbesserung würden Sie gerne sehen?
Da JMP 18 seinen Fokus erneut auf Vorhersageintervalle im Profiler legt ( https://community.jmp.com/t5/JMPer-Cable/Prediction-Profiler-enhancements-in-JMP-18/ba-p/718342 ), hoffe ich, dass Vorhersageintervalle für Vorhersagemodelle hinzugefügt werden. Es wäre auch hilfreich, Spaltenformeln für Konfidenzintervalle und Vorhersageintervalle für Vorhersagemodelle zu generieren.
Warum ist diese Idee wichtig?
Vorhersageintervalle sind nützlich, um zu beurteilen, ob die vom vorgeschlagenen Modell generierten Daten den tatsächlichen Daten ähneln. In der Bayes-Literatur wird dies häufig als „posterior predictive check“ bezeichnet. Wenn die vom Modell generierten Daten nicht den tatsächlichen Daten ähneln, kann es wünschenswert sein, ein anderes Modell in Betracht zu ziehen. Eine Beschreibung dieses Konzepts sowie ein einfaches Beispiel finden Sie unten in John Kruschkes Buch „Doing Bayesian Data Analysis“:
„Der fünfte Schritt besteht darin, zu prüfen, ob das Modell mit seinen glaubwürdigsten Parameterwerten die Daten tatsächlich einigermaßen gut nachahmt. Dies wird als nachträgliche prädiktive Prüfung bezeichnet … Ein Ansatz besteht darin, eine Zusammenfassung der vom Modell vorhergesagten Daten den tatsächlichen Daten gegenüberzustellen … Die vorhergesagten Gewichtswerte werden durch vertikale Balken zusammengefasst, die den Bereich der 95 % glaubwürdigsten vorhergesagten Gewichtswerte zeigen. Der Punkt in der Mitte jedes Balkens zeigt den Mittelwert der vorhergesagten Gewichtswerte. Durch visuelle Überprüfung des Diagramms können wir erkennen, dass die tatsächlichen Daten durch die vorhergesagten Daten gut beschrieben zu sein scheinen. Die tatsächlichen Daten scheinen nicht systematisch von dem vom Modell vorhergesagten Trend oder Band abzuweichen. Wenn die tatsächlichen Daten systematisch von der vorhergesagten Form abzuweichen scheinen, könnten wir alternative beschreibende Modelle in Betracht ziehen. Beispielsweise könnten die tatsächlichen Daten einen nichtlinearen Trend aufweisen. In diesem Fall könnten wir das Modell erweitern, um nichtlineare Trends einzuschließen … Wir könnten auch die Verteilungseigenschaften der Daten untersuchen. Wenn die Daten zum Beispiel im Vergleich zu den Vorhersagen einer Normalverteilung Ausreißer zu enthalten scheinen, könnten wir das Modell so ändern, dass es eine Verteilung mit schweren Enden verwendet …“
Vielen Dank für das Senden dieser Anfrage und für die Bereitstellung der Details, @mminor . Ja, wir haben Vorhersageintervalle in vielen JMP-Plattformen hinzugefügt, aber nicht in vielen der Plattformen für prädiktive Modellierung. Habe diese Anfrage zur Prüfung an die Entwicklung weitergeleitet.
