相関のある高次元データの予測モデルの構築特に相関のある高次元データのモデリングを目的とした収縮テクニックなど、変数選択テクニックを使用してモデルをフィッティングする方法を学びます。を使用して、連続、二項、計数、ゼロインフレーションなどの応答のさまざまな分布を調査する方法と、他の手法を使用して構築されたモデルを比較する方法を学びます。
高度な統計モデリングRe: 相関のある高次元データの予測モデルの構築二次効果と交互作用を PCA 回帰に統合できるかどうかについては、まだ未解決の疑問がありました。
理論的には、主成分分析の前に、対応する列を数式列で作成し (たとえば、二次効果の場合は Column1*Column1)、主成分分析でも考慮する必要があります。列の数に応じて、ここに多くの列を追加する必要があります。さらに、列を乗算するとスケーリングが歪む可能性があります。
適切な使用例が存在する場合、JMP Pro を使用した PLS がより直接的なソリューションです。
Re: 相関のある高次元データの予測モデルの構築こんにちは、ジョナス
ご返信ありがとうございます。私自身も質問に答えることができました。たとえば 2 つの因子を使用して、「Fit Y by」を使用した主成分分析によって結果の Prin1 と Prin2 をモデル化することが可能です私はこれを、制約により 2 因子 DOE で因子相関が生じるという公開されたケーススタディを使用して試してみました (ただし、評価における「標準誤差」が小さいため、これは問題ではありませんでした)。上述のように、これらの部分的に相関する因子を主成分分析によって分析すると、ほぼ同じ結果が得られます。
グルエス、
服
