Construcción de modelos predictivos para datos correlacionados y de alta dimensión.Aprenda a ajustar modelos utilizando técnicas de selección de variables, incluidas técnicas de contracción destinadas específicamente a modelar datos correlacionados y de alta dimensión. Aprenda a utilizar para explorar una variedad de distribuciones de respuestas continuas, binomiales, contables o inflacionarias cero, y a comparar modelos creados utilizando otras técnicas.
Este vídeo se está procesando actualmente. Inténtalo de nuevo en unos minutos.
Todavía quedaba una pregunta abierta con respecto a la capacidad de integrar efectos e interacciones cuadráticos en la regresión PCA:
En teoría, las columnas correspondientes deberían crearse con columnas de fórmula antes del análisis de componentes principales (por ejemplo, Columna1*Columna1 para un efecto cuadrático) y luego también tenerse en cuenta en el análisis de componentes principales. Dependiendo del número de columnas, habría que añadir mucho aquí. Además, multiplicar las columnas distorsionaría la escala.
Si existen casos de uso apropiados, PLS con JMP Pro es la solución más directa.
Re: Construcción de modelos predictivos para datos correlacionados y de alta dimensiónHola Jonás
Gracias por la respuesta. Pude responder la pregunta yo mismo. Es posible, por ejemplo con 2 factores, modelar el Prin1 y Prin2 resultantes mediante el análisis de componentes principales usando "Fit Y by Probé esto utilizando un estudio de caso publicado en el que surgió una correlación factorial en un DOE de 2 factores debido a restricciones (pero esto no fue un problema debido a los pequeños "errores estándar" en la evaluación). El análisis de estos factores parcialmente correlacionados mediante el análisis de componentes principales, como se describió anteriormente, produce un resultado casi idéntico.
Grueso,
Ropa
