JMP offre numerose opzioni di modellazione lineare. Scopri le funzionalità di adattamento del modello disponibili e impara quando e come utilizzare quelle più utili per set di dati continui, categorici e/o complessi, in cui potrebbero esserci più predittori che osservazioni.
Scopri come:
- Comprendere la regressione di base
- Utilizzare il metodo dei minimi quadrati standard
- Comprendere che i presupposti di base sono che la risposta sia normale e che non vi sia multicollinearità tra i fattori
- Gestire risposte continue con fattori continui o categorici
- Interpretare la retta di regressione che minimizza l'errore tra i punti e la curva di regressione.
- Gestisci gli effetti principali, le interazioni, ecc.
- Applicare la trasformazione di Box-Cox se necessario.
- Utilizzare la regressione stepwise
- Comprendere che la regressione stepwise è simile al metodo dei minimi quadrati standard, che aggiunge termini in "passaggi" per ottimizzare tutti i fattori.
- Specificare la 'Regola di arresto' e la 'Direzione' controlla il processo
- Crea il modello usando un clic del pulsante
- Utilizzare la regressione logistica: ordinale e nominale per fornire una probabilità di un particolare risultato
- È importante comprendere che queste tecniche sono simili ai minimi quadrati standard, ma utilizzano risposte ordinali o nominali (categoriche).
- Bisogna comprendere che a volte la regressione standard non è sufficiente.
- JMP Pro Generalized Regression può essere utile per dati non normali e altamente correlati
- Il metodo dei minimi quadrati parziali (PLS) è utile quando i fattori superano le osservazioni
- La selezione dei modelli può essere utilizzata per trovare il modello migliore nel modo più rapido
Promemoria: in JMP, un valore p compreso tra 0,01 e 0,05 è colorato di rosso; inferiore a 0,01 è arancione; superiore a 0,05 è nero. La codifica a colori può essere utile quando si analizzano diversi effetti contemporaneamente e si desidera individuare nei report indicatori visivi di significatività statistica. In parole semplici, un valore p basso suggerisce che l'ipotesi nulla è errata e che esiste effettivamente un effetto nella popolazione.
Cos'è il VIF?
A: Il fattore di inflazione della varianza (VIF) per ciascun termine in Valori VIF elevati indicano un problema di collinearità tra i termini nel modello. Possiamo separare gli effetti relativi alla risposta?
È possibile estrapolare i dati in Prediction Profiler?
A: Sì. Se vai oltre nel Prediction Profiler, potrai attivare il Controllo dell'estrapolazione per ricevere un avviso se/dove l'estrapolazione non è sensata. In caso di problemi, verrà visualizzato un avviso testuale rosso. Fai attenzione quando esegui l'estrapolazione in un modello, perché potresti non avere dati a supporto dei risultati.
Controllo dell'estrapolazione.JPG
Quando si utilizzano le espressioni "cross", "nested" e "macro" nella specifica del modello?
A: Questi sono diversi modi per costruire un modello, alcuni adatti a diversi casi d'uso. Cross crea interazioni ed effetti polinomiali incrociando due o più variabili. Nest crea effetti annidati. Macro genera effetti per i modelli di uso comune. Consulta la documentazione per maggiori dettagli.
Cosa dobbiamo fare se la distribuzione non risulta ancora normale dopo la trasformazione di Box-Cox?
A: Esamina i dati per vedere se c'è qualche conoscenza specifica del settore che ritieni possa influenzare i risultati, se c'è uno schema, se ci sono dati sufficienti. Oppure, usa uno strumento più robusto: noi usiamo la regressione generalizzata in JMP Pro.
Posso considerare l'approccio Stepwise come una sorta di screening fattoriale?
A: Aggiunge i fattori uno alla volta, ma poiché abbiamo aggiunto molte interazioni, lo screening fattoriale in genere considera solo gli effetti principali.
Cosa fare se il valore di R quadro è molto basso?
R: Dipende. Il coefficiente di determinazione R-quadro ha un valore relativo. Dipende da quale sia la tua soglia per "basso". Un valore basso in genere indica che c'è qualcosa di problematico legato alla tua risposta. Potresti aggiungere altri termini al tuo modello.
In che modo GenReg si differenzia dal modello lineare generalizzato? Quando si usa l'uno o l'altro?
A: Per un confronto, consultare la documentazione relativa al modello lineare generalizzato e ai modelli di regressione generalizzati .
Perché si ottiene una risposta del test Chi-quadro anziché un valore p?
A: Consulta la documentazione per i dettagli. Ricorda che se hai una domanda su un report, usa l'icona del punto interrogativo (?) per ottenere una risposta.
Dopo la sessione, l'ingegnere del supporto tecnico JMP @PatrickGiuliano Patrick Giuliano ha scritto: La Prob > Chi-quadrato è di per sé un p-value, ma in quel caso Peter ha dimostrato quello associato alla distribuzione Chi-quadrato (rispetto alla distribuzione campionaria della statistica t, dove JMP indicherebbe un p-value per quel caso come "Prob > abs(t)") - Penso che le distribuzioni Chi-quadrato siano stimatori migliori per dati "mal condizionati" come i dati in cui abbiamo censura (che non saranno distribuiti normalmente).
Sto usando JMP 17 (non la versione Pro). Come devo gestire una distribuzione che è una miscela di diverse distribuzioni e nessuna delle distribuzioni di regressione lineare generalizzata (normale, binomiale, di Poisson o esponenziale) è adatta?
A: Dedica un po' di tempo ad analizzare i dati per capire se c'è qualcosa che spiega la presenza di una miscela. Forse ci sono molti dati, forse c'è un fattore categoriale con una distribuzione diversa per ciascuno, oppure, se i dati sono pochi, potrebbe essere proprio questo il motivo. Cerca di identificare cosa sta succedendo, eventualmente raccogliendo più dati o utilizzando il Simulatore nel Profiler (accessibile tramite il triangolo rosso) per individuare la causa.
Puoi parlarci dell'adattamento dei modelli logistici?
A: I modelli logistici hanno risposte non continue (ordinali o nominali) e stiamo prevedendo la probabilità che qualcosa assuma il valore di risposta. La tecnica è simile ai minimi quadrati standard, ma non otteniamo una risposta continua.
Come faccio a sapere qual è il modello migliore nella regressione stepwise?
A: Lo vedrai nel report. Seleziona il cerchio a sinistra e JMP lo eseguirà.
Stepwise Best.JPG
Domande di una sessione precedente a cui ha risposto Peter Polito @Peter_Politoe Clovis Weisbart @cweisbart :
Come si accede alla piattaforma Fit Stepwise?
A: Nella piattaforma Fit Model, in alto a destra, è presente un menu a tendina che permette di passare dal metodo dei minimi quadrati standard al metodo stepwise.
Salvando lo script, significa che, per un nuovo set di dati, si potrebbe eliminare quello esistente, sostituirlo con quello nuovo, salvarlo con un nuovo nome ed eseguirlo per ottenere nuovi risultati?
A: Sì, e i nuovi dati dovrebbero avere gli stessi nomi di variabile affinché lo script funzioni.
Cosa è più importante nella tua regressione lineare, la normalità dei dati grezzi per l'output o la normalità dei residui?
A: Entrambi sono importanti. Se le risposte (output) non sono normali, si tratta di una gradazione: se sono leggermente anomale, probabilmente va bene. Se sono molto asimmetriche, allora non vanno bene. E se i residui non sono normali, non va bene. Significa che c'è qualche tipo di distorsione o qualche fattore che influenza il modello e che non è stato preso in considerazione.
Nell'esempio in cui una distribuzione gamma si è rivelata la migliore, avreste optato per una trasformazione o per l'utilizzo di un modello lineare generalizzato durante la modellazione, oppure per un approccio diverso?
A: Quando ho dati non normali, utilizzo la regressione generalizzata, una funzionalità di JMP Pro. Vado su Analizza > Adatta modello e trascino il mio valore cumulativo a 12 mesi nella variabile di risposta. Da qui scelgo la regressione generalizzata, che mi offre la possibilità di applicare la distribuzione di quella specifica variabile di risposta, quindi potrei selezionare una distribuzione gamma che verrà considerata nella costruzione del modello. Faccio così ogni volta che i miei dati non sono normali. Dato che ho JMP Pro, di solito utilizzo comunque questa opzione, perché quando JMP Pro esegue una regressione generalizzata, fornisce sempre un output dei minimi quadrati standard oltre all'output della regressione generalizzata.
A: Il partizionamento ricorsivo JMP è CART, non CHAID. Nei nostri alberi di classificazione e regressione, abbiamo divisioni binarie in ogni punto e CHAID consente divisioni multiple di una variabile in ogni passaggio. Vedi la documentazione su Dettagli statistici per la partizione.
Esiste una situazione in cui manterreste nel vostro modello i fattori con valori p superiori a 0,05?
A: Sì, ci sono almeno due casi e potrebbero essercene altri a seconda delle circostanze. A volte l'effetto principale è insignificante, ma fa parte di un'interazione significativa. Oppure, si può avere un fattore che si sa essere fondamentale per il prodotto finale. Ecco un esempio:
Domande a cui è stata data risposta nelle sessioni precedenti su questo argomento:
Se due predittori/fattori sono fortemente correlati tra loro ed entrambi influenzano fortemente la variabile Y nel modello, JMP sceglierà semplicemente quello elencato per primo nella piattaforma Fit Model in quanto avente un valore p basso, assegnando poi al covariante un valore p molto alto poiché di fatto non "aggiunge" nulla data la suddetta covarianza?
A: La multicollinearità è sempre un aspetto da approfondire. Il fattore di inflazione della varianza (VIF) è una possibile opzione. Nella tabella Stime dei parametri, all'interno della finestra del report, è possibile trovare un'opzione per calcolare il VIF facendo clic con il pulsante destro del mouse e selezionando VIF nella sezione Colonne.
Se ci sono troppi fattori che impediscono di procedere con il metodo Backward Stepwise, è comunque possibile procedere con il metodo Forward Stepwise?
A: Dovresti essere in grado di specificare un modello di selezione progressiva nell'opzione "Direzione". Con moltissimi potenziali predittori, potresti utilizzare la piattaforma Predictor Screening, una piattaforma incredibilmente potente per la selezione delle variabili e l'identificazione dei fattori principali. Da lì, potresti scegliere un sottoinsieme più piccolo di fattori su cui concentrarti. Predictor Screening è disponibile in tutte le versioni di JMP, non solo in JMP Pro.
Il metodo Stepwise gestisce la multicollinearità, dato che è improbabile che vengano selezionati termini del modello ridondanti?
A: Questo potrebbe essere troppo avanzato per questa sessione e potrebbe essere interpretato come "non preoccuparti; Stepwise si prenderà cura di te se sei troppo pigro per estrarre da solo i termini collineari".
Risorse
