Erfahren Sie, wie Sie mit JMP und JMP Pro wichtige Prädiktoren identifizieren, die für die prädiktive Modellierung geeignet sind, wie Sie die durch die Schätzung unnötiger Terme verursachte Varianz verringern und wie Sie prädiktive Modelle erstellen. Sehen Sie sich Fallstudien an, die zeigen, wie Sie mit JMP Stepwise Regression wichtige Variablen und aktive Modelleffekte ermitteln und wie sich dieser Ansatz im Vergleich zu den verallgemeinerten Regressionstechniken von JMP Pro schlägt, die die Variablenauswahl automatisch integrieren.
Erfahren Sie, wie Sie:
- Verstehen Sie die Grundlagen der schrittweisen Regressionsmethode
- Wählen Sie Optionen für die schrittweise Regression, um die Faktorauswahl zu automatisieren
- Analysieren > Modell anpassen > Persönlichkeit: Schrittweise
- Stoppregel/Kriterien festlegen
- Vorwärts-, Rückwärts- oder gemischte Richtung einstellen
- Bei der Vorwärtsselektion wird die Variable mit dem niedrigsten p-Wert ausgewählt, dem Modell hinzugefügt und anschließend die p-Werte und Abbruchkriterien neu berechnet, bis die Abbruchkriterien erfüllt sind.
- Bei der Rückwärtseliminierung wird die Variable mit dem höchsten p-Wert ausgewählt, aus dem Modell entfernt und anschließend die p-Werte und Abbruchkriterien neu berechnet, bis die Abbruchkriterien erfüllt sind.
- Gemischt wechselt zwischen Vorwärtsselektion und Rückwärtseliminierung, wobei der P-Wert als Abbruchkriterium verwendet wird
- Ausführen des Modells
- Zusätzliche schrittweise Optionen verwenden
- Alternative Abbruchregel - KFold-Validierung R2
- Bauen und vergleichen Sie alle möglichen Modelle
- Verwenden Sie eine Modellmittelung basierend auf dem AICc-Gewicht in jedem Modell
- Implementieren Sie schrittweise Methoden in JMP Pro Generalized Regression, um Variablenauswahl, Validierung und bestrafte Regression zur Unterstützung bei korrelierten Faktoren, interaktive Modellvisualisierung, Modellvergleich und einfachen Neustart von Modellen mit Termen höherer Ordnung einfach einzusetzen.
- Verstehen Sie die Vorteile und Grenzen der schrittweisen und verallgemeinerten Regressionsansätze
JMP Stepwise Regression FlowJMP-Ablauf für schrittweise RegressionJMP-Ablauf für schrittweise Regression
Fragen beantwortet von Scott Allen @scott_allen und Byron Wingerd @Byron_JMP im Live-Webinar:
F: Gibt es eine Richtlinie, wann AICc gegenüber BIC vorzuziehen ist?
A: BIC liefert Ihnen das beste Modell mit den wenigsten Termen; AICc liefert Ihnen das Modell, das die meisten Variationen erklärt und durch die Anzahl der Terme bestraft wird. Das kleine c in AICc steht für korrigiert und bedeutet korrigiert für kleine Datensätze. AIC versucht, das Modell auszuwählen, das eine unbekannte, hochdimensionale Realität am besten beschreibt. Das bedeutet, dass die Realität nie in der Menge der in Betracht gezogenen Kandidatenmodelle enthalten ist. Im Gegenteil, BIC versucht, das WAHRE Modell unter den Kandidaten zu finden.
Die kurze Antwort lautet: Ich führe sie einfach beide aus und vergleiche sie. Sie können auch beide nehmen und dann den Durchschnitt daraus berechnen. Sie haben hier auf der Stepwise-Plattform die Tools, um diese auszuführen und sie dann zu vergleichen und die Ergebnisse automatisch in einem Diagramm zu vergleichen. In einigen Fällen hängt es von Ihrem Ziel ab, ob Sie mit mehr Begriffen einverstanden sind oder ob Sie dies wirklich auf das Minimum reduzieren möchten. Im Beispiel mit 500 Datenpunkten ist BIC wahrscheinlich vorzuziehen.
F: Wie überprüfen wir die Passform?
A: Wenn wir in JMP nur lineare Modelle anpassen, wird es selbst bei Verwendung von Stepwise etwas schwieriger, Überanpassungsprobleme zu identifizieren. In JMP Pro können wir Test-, Trainings- und Validierungsteilmengen einrichten (oder, wenn Sie es vorziehen, zumindest Test und Training) und die R-Quadrate vergleichen. Wenn Sie also sehen, dass der Trainingssatz ein wirklich tolles R-Quadrat hat und Ihr Validierungssatz ein wirklich schreckliches R-Quadrat, bedeutet das, dass Sie die Daten gut angepasst haben und zukünftige Beobachtungen nicht sehr aussagekräftig vorhersagen können.
F: Im Modell haben insgesamt 568 Zeilen auch Validierungszeilen. Verwenden wir alle diese im Modell oder behalten wir sie?
A: Sie werden zur Validierung zurückgehalten und separat als Validierungsuntermenge ausgewertet.
F: Im alten SAS Enterprise Miner war der Knoten „Ensemble“ oft am leistungsstärksten. Was halten Sie davon, eine Reihe von Modellen auszuführen, die Vorhersagen zu speichern und dann einfach alle diese vorhergesagten Werte zu mitteln?
A: In JMP verwenden wir die neuronale Netzplattform, um ein Ensemblemodell einzurichten. Diese übertreffen im Allgemeinen die Einzelmodelle.
F: Wie sind Sie zu der Farbkarte für Korrelationen gekommen?
A: Suchen Sie unter dem roten Dreieck nach den Farbkartenoptionen.
F: Wie erkennen und handhaben Sie Multikollinearität?
A: Die schrittweise Vorgehensweise in JMP allein wird die Multikollinearität nicht bewältigen, Sie müssten sie also im Voraus herausziehen und/oder mithilfe von Clustering eine repräsentative Variable finden. Wenn Sie mit der verallgemeinerten Regression in JMP Pro arbeiten, können bestrafte Regressionsmethoden auch dabei helfen, das Problem zu lösen. Wenn Sie also wirklich darüber besorgt sind, ist die verallgemeinerte Regression definitiv der richtige Weg. Sie könnten dieses Kleinstquadrate-Modell erstellen, es ausführen und sich Ihre Parameterschätzungen ansehen. Hohe VIF-Werte könnten auf Multikollinearität hinweisen. Siehe Video unten.
