Création de modèles prédictifs pour les données corrélées et de grande dimensionApprenez à ajuster des modèles à l'aide de techniques de sélection de variables, y compris des techniques de retrait spécifiquement destinées à la modélisation de données corrélées et de grande dimension. Apprenez à utiliser le pour explorer une variété de distributions pour des réponses continues, binomiales, de comptage ou à inflation nulle, et comment comparer des modèles construits à l'aide d'autres techniques.
Modélisation statistique avancéeRe : Construire des modèles prédictifs pour des données corrélées et de grande dimensionUne question restait ouverte concernant la capacité à intégrer les effets quadratiques et les interactions dans la régression PCA :
Théoriquement, les colonnes correspondantes devraient être créées avec des colonnes de formules avant l'analyse en composantes principales (par exemple Colonne1*Colonne1 pour un effet quadratique) et ensuite également prises en compte dans l'analyse en composantes principales. En fonction du nombre de colonnes, il faudrait en ajouter beaucoup ici. De plus, multiplier les colonnes fausserait la mise à l’échelle.
Si des cas d'utilisation appropriés existent, PLS avec JMP Pro est la solution la plus directe.
Re : Construire des modèles prédictifs pour des données corrélées et de grande dimensionBonjour Jonas
Merci pour la réponse. J'ai pu répondre moi-même à la question. Il est possible, par exemple avec 2 facteurs, de modéliser les Prin1 et Prin2 résultants via l'analyse en composantes principales en utilisant "Fit Y by J'ai essayé cela en utilisant une étude de cas publiée dans laquelle une corrélation factorielle est apparue dans un DOE à 2 facteurs en raison de contraintes (mais ce n'était pas un problème en raison des petites « erreurs types » dans l'évaluation). L’analyse de ces facteurs partiellement corrélés via l’analyse en composantes principales, comme décrit ci-dessus, produit un résultat presque identique.
Gruesse,
Vêtements
