JMP는 다양한 선형 모델링 옵션을 제공합니다. 사용 가능한 모델 적합 기능을 살펴보고, 연속형, 범주형 및/또는 복잡한 데이터 세트(예측 변수가 관측치보다 많을 수 있는 경우)에 가장 유용한 기능을 언제 어떻게 사용해야 하는지 알아보세요.
방법을 알아보세요:
- 기본 회귀 분석을 이해하세요
- 표준 최소 제곱법을 사용하십시오.
- 기본적인 가정은 반응이 정규분포를 따르고 요인들 간에 다중공선성이 없다는 것입니다.
- 연속형 또는 범주형 요인을 사용하여 연속형 반응을 처리합니다.
- 점들과 회귀 '곡선' 사이의 오차를 최소화하는 최적 적합선을 해석합니다.
- 주요 효과, 상호작용 등을 처리합니다.
- 필요한 경우 Box-Cox 변환을 적용하십시오.
- 단계적 회귀 분석을 사용합니다.
- 단계적 회귀 분석은 표준 최소 제곱법과 유사하지만, 모든 요인을 최적화하기 위해 '단계적으로' 항을 추가한다는 점을 이해해야 합니다.
- '정지 규칙'과 '방향'을 지정하면 프로세스가 제어됩니다.
- 버튼 클릭을 사용하여 모델을 만드세요
- 로지스틱 회귀 분석(순서형 및 명목형)을 사용하여 특정 결과가 발생할 확률을 구할 수 있습니다.
- 이러한 기법들은 표준 최소 제곱법과 유사하지만, 순서형 또는 명목형(범주형) 반응 변수를 사용한다는 점을 이해해야 합니다.
- 표준 회귀 분석만으로는 충분하지 않은 경우가 있다는 점을 이해해야 합니다.
- JMP Pro의 일반화 회귀 분석은 비정규성 및 높은 상관관계를 가진 데이터에 유용할 수 있습니다.
- 부분 최소 제곱법(PLS)은 요인 수가 관측치 수를 초과할 때 유용합니다.
- 모델 선별은 가장 적합한 모델을 가장 빠르게 찾는 데 사용할 수 있습니다.
참고: JMP에서는 p값이 0.01에서 0.05 사이이면 빨간색으로, 0.01 미만이면 주황색으로, 0.05 초과이면 검은색으로 표시됩니다. 색상 표시는 여러 효과를 동시에 분석할 때 통계적 유의성을 시각적으로 파악하는 데 도움이 됩니다. 간단히 말해, 낮은 p값은 귀무가설이 틀렸고 모집단에 실제로 효과가 존재함을 시사합니다.
질문: VIF란 무엇인가요?
A: 각 항에 대한 분산팽창계수(VIF) 값이 높다는 것은 모델 내 항들 간에 다중공선성 문제가 있음을 나타냅니다. 반응 변수에 대한 각 항의 효과를 분리해낼 수 있을까요?
질문: Prediction Profiler에서 외삽법을 사용할 수 있나요?
A: 네. 예측 프로파일러에서 더 자세히 살펴보면 외삽 제어 기능을 켜서 외삽이 적절하지 않은 경우 경고를 받을 수 있습니다. 문제가 있으면 빨간색 텍스트 경고가 표시됩니다. 모델에서 외삽을 할 때는 결과에 대한 근거 자료가 부족할 수 있으므로 주의해야 합니다.
외삽 제어.JPG
Q: 모델 사양에서 "크로스, 네스트, 매크로"는 언제 사용하나요?
A: 모델을 구성하는 다양한 방법이 있으며, 각각 다른 사용 사례에 적합합니다. Cross는 두 개 이상의 변수를 교차하여 상호작용 및 다항식 효과를 생성합니다. Nest는 중첩 효과를 생성합니다. Macros는 자주 사용되는 모델에 대한 효과를 생성합니다. 자세한 내용은 설명서를 참조하십시오.
질문: 박스-콕스 변환 후에도 분포가 여전히 정규분포가 아니면 어떻게 해야 할까요?
A: 데이터를 살펴보고 결과에 영향을 미칠 수 있는 도메인 지식이 있는지, 패턴이 있는지, 데이터가 충분한지 확인해 보세요. 또는, 더 강력한 도구를 사용해 보세요. 저희는 JMP Pro의 일반화 회귀 분석을 사용합니다.
질문: 단계적 접근 방식을 일종의 요인 선별로 볼 수 있을까요?
A: 요인을 한 번에 하나씩 추가하지만, 우리는 많은 상호작용을 추가했기 때문입니다. 요인 선별은 일반적으로 주효과만 살펴봅니다.
질문: R 제곱 값이 매우 낮으면 어떻게 해야 하나요?
A: 상황에 따라 다릅니다. R-제곱 값은 상대적인 값입니다. '낮음'의 기준치를 어떻게 설정하느냐에 따라 의미가 달라집니다. 일반적으로 낮은 값은 응답과 관련된 문제가 있음을 나타냅니다. 모델에 변수를 더 추가해 볼 수도 있습니다.
Q: GenReg는 일반화 선형 모델과 어떻게 다른가요? 어떤 경우에 각각을 사용하나요?
A: 비교를 위해 일반화 선형 모델 및 일반화 회귀 모델 에 대한 문서를 참조하십시오.
질문: p값이 아닌 카이제곱 검정 결과가 나오는 이유는 무엇인가요?
A: 자세한 내용은 문서를 참조하세요. 보고서에 대한 질문이 있는 경우 물음표(?) 아이콘을 사용하여 답변을 확인하세요.
세션 후 JMP 기술 지원 엔지니어인 @PatrickGiuliano 는 다음과 같이 썼습니다. "Prob > ChiSquare는 그 자체로 p값이지만, Peter가 보여준 경우 카이제곱 분포와 관련된 p값입니다(t 통계량의 표본 분포와 관련된 p값과는 다릅니다. JMP는 이 경우 p값을 'Prob > abs(t)'로 표시합니다). 제 생각에는 카이제곱 분포가 중도절단이 있는 데이터처럼 '조건이 나쁜' 데이터(정규 분포를 따르지 않는 데이터)에 더 적합한 추정량이라고 생각합니다."
질문: 저는 JMP 17(프로 버전 아님)을 사용하고 있습니다. 여러 분포가 혼합된 분포를 처리해야 하는데, 일반화 선형 회귀 분포(정규, 이항, 포아송 또는 지수) 중 어느 것도 적합하지 않은 경우 어떻게 해야 할까요?
A: 데이터를 좀 더 자세히 분석해서 혼합된 결과가 나오는 이유를 파악해 보세요. 데이터 양이 많거나, 각기 다른 분포를 가진 범주형 변수가 있거나, 반대로 데이터 양이 적어서 그런 것일 수도 있습니다. 원인을 파악하고, 필요하다면 데이터를 더 확보하거나, 프로파일러의 시뮬레이터(빨간색 삼각형을 클릭하면 접근 가능)를 사용하여 문제를 진단해 보세요.
질문: 로지스틱 모델 적합에 대해 설명해 주시겠습니까?
A: 로지스틱 모델은 비연속적(순서형 또는 명목형) 반응 변수를 사용하며, 특정 사건이 해당 반응 값을 가질 확률을 예측합니다. 이 기법은 표준 최소 제곱법과 유사하지만, 연속적인 반응 변수를 사용하지 않는다는 점이 다릅니다.
질문: 단계적 회귀 분석에서 최적의 모델을 어떻게 알 수 있나요?
A: 보고서에서 확인하실 수 있습니다. 왼쪽에 있는 동그라미를 클릭하시면 JMP가 실행됩니다.
단계별 최적.JPG
이전 세션에서 나온 질문들에 대해 피터 폴리토( @피터_폴리토 )가 답변했습니다.그리고 클로비스 와이스바트 (@cweisbart) :
질문: Fit Stepwise 플랫폼에 어떻게 접속하나요?
A: Fit Model 플랫폼에 접속하면 오른쪽 상단에 드롭다운 메뉴가 있습니다. 거기서 '표준 최소 제곱법'을 '단계별 추정법'으로 변경할 수 있습니다.
질문: 스크립트를 저장한다는 것은 새로운 데이터 세트의 경우 기존 스크립트를 삭제하고 새 스크립트로 교체한 다음 새 이름으로 저장하고 실행하여 새로운 결과를 얻을 수 있다는 의미인가요?
A: 네, 그리고 스크립트가 제대로 작동하려면 새 데이터에도 동일한 변수 이름이 있어야 합니다.
질문: 선형 회귀 분석에서 출력값에 대한 원시 데이터의 정규성 여부와 잔차의 정규성 중 어느 것이 더 중요합니까?
A: 둘 다 중요합니다. 응답(출력)이 정규 분포를 따르지 않는 경우, 그 정도는 단계적이므로 약간 비정상적이라면 괜찮을 수 있습니다. 하지만 심하게 왜곡된 경우에는 문제가 됩니다. 잔차가 정규 분포를 따르지 않는다면, 그것은 모델에 어떤 종류의 편향이나 고려되지 않은 요인이 작용하고 있다는 것을 의미합니다.
Q: 감마 분포가 가장 적합한 예시에서, 모델링 시 변환을 사용하시겠습니까, 아니면 일반화 선형 모델링을 사용하시겠습니까? 아니면 다른 더 나은 접근 방식을 선택하시겠습니까?
A: 데이터가 정규분포를 따르지 않을 때는 JMP Pro의 일반화 회귀 분석 기능을 사용합니다. 먼저 분석 > 모델 적합을 선택하고 12개월 누적 데이터를 반응 변수로 드래그합니다. 그런 다음 일반화 회귀 분석을 선택하면 해당 반응 변수의 분포를 적용할 수 있는 옵션이 제공됩니다. 예를 들어 감마 분포를 선택하면 모델 구성에 반영됩니다. 데이터가 정규분포를 따르지 않을 때는 항상 이 방법을 사용합니다. JMP Pro를 사용하기 때문에 일반화 회귀 분석을 실행할 때 표준 최소 제곱법 결과도 함께 제공되므로 보통 이 방법을 선호합니다.
A: JMP의 재귀적 분할은 CHAID가 아닌 CART입니다. 저희 분류 및 회귀 트리에서는 각 단계에서 이진 분할을 사용하는데, CHAID는 각 단계에서 변수를 여러 번 분할할 수 있도록 허용합니다. 관련 문서를 참조하세요. 분할에 대한 통계 정보입니다.
질문: p값이 0.05보다 큰 요인을 모델에 포함시키는 경우가 있을까요?
A: 네, 적어도 두 가지 경우가 있고, 경우에 따라 다른 사례가 있을 수도 있습니다. 때로는 주효과가 중요하지 않더라도 유의미한 상호작용의 일부가 될 수 있습니다. 또는 최종 결과물에 필수적인 요소라는 것을 알고 있는 요인이 있을 수도 있습니다. 예를 들어 보겠습니다.
이 주제에 대한 이전 세션에서 답변된 질문:
질문: 두 예측 변수/요인이 서로 강하게 상관되어 있고, 둘 다 모델의 Y에 강한 영향을 미치는 경우, JMP는 모델 적합 플랫폼에서 먼저 나열한 변수를 낮은 p-값을 가진 변수로 선택하고, 공분산이 있는 변수는 실질적으로 아무런 영향을 미치지 않으므로 매우 높은 p-값을 부여하는 것인가요?
A: 다중공선성은 항상 조사해 볼 만한 중요한 문제입니다. 분산팽창계수(VIF)는 하나의 유용한 지표입니다. 보고서 창의 모수 추정치 표에서 마우스 오른쪽 버튼을 클릭하고 '열' 아래에서 'VIF'를 선택하면 VIF를 확인할 수 있습니다.
질문: 변수가 너무 많아서 역방향 단계별 추출을 할 수 없는 경우, 순방향 단계별 추출을 할 수 있나요?
A: "방향" 옵션에서 전방 선택 모델을 지정할 수 있습니다. 잠재적 예측 변수가 매우 많은 경우, 변수 선택 및 주요 요인 식별에 매우 강력한 플랫폼인 예측 변수 선별 플랫폼을 활용할 수 있습니다. 그 후, 집중할 요인들의 하위 집합을 선택할 수 있습니다. 예측 변수 선별 기능은 JMP Pro뿐만 아니라 모든 JMP 버전에서 사용할 수 있습니다.
Q: 단계적 회귀 분석은 중복되는 모델 항을 선택할 가능성이 낮으므로 다중공선성을 처리할 수 있습니까?
A: 그건 이번 시간에 다루기엔 너무 어려운 내용일 수도 있고, "걱정하지 마세요. 직접 공선 항을 추출하기 귀찮으면 stepwise가 알아서 처리해 줄 겁니다."라는 의미로 받아들여질 수도 있어요.
자원
