Clay Barker ist damit beschäftigt, die Nützlichkeit der zu erweitern Generalisierte Regression Plattform in JMP Pro, fügt viele neue Modelle hinzu und verbessert die Benutzerfreundlichkeit. Generalized Regression (oder kurz GenReg) wurde in JMP Pro 11 als Ort für ein Trio populärer bestrafter Regressionstechniken eingeführt: Lasso . Elastisches Netz und Grat . Diese bestraften Techniken sind attraktiv, weil sie zu einfacheren Modellen führen, die weniger anfällig sind Überanpassung . Nachdem in JMP Pro 12 und jetzt JMP 13 weitere Modellierungs- und Auswahltechniken hinzugefügt wurden, ist GenReg zu einem Ort geworden, an dem schnell und einfach eine variable Auswahl für eine Vielzahl von Problemen vorgenommen werden kann.
Bei der Auswahl von Variablen liegt ein Großteil der "Kunst" im Modellbau und noch mehr bei immer breiteren Daten.
„Die Kunden fordern seit einiger Zeit die Auswahl der Variablen für Time-to-Event-Daten. Jetzt kann GenReg dies tun. Es gibt nicht viele einfache Optionen für die Auswahl der Variablen in so vielen verschiedenen Szenarien “, sagt Clay, ein Senior Research Statistician Developer bei JMP.
Jetzt können Sie die Generalized Regression für Time-to-Event-Daten verwenden.
Eine der größten Verbesserungen in der Generalized Regression-Plattform für JMP Pro 13 ist die Möglichkeit, mit zensierten Daten parametrische Überlebensanalysen und proportionale Gefährdungsmodelle durchzuführen. Mitentwickler Peng Liu fügte innerhalb der Survival Analysis-Plattform (in JMP Pro) sogar einen Link zur Generalized Regression-Plattform hinzu.
Die Variablenauswahl ist ein aktives Forschungsgebiet in der Statistik. Um die Variablenauswahl gut zu machen und wirklich nützliche Modelle zu erstellen, benötigen Sie eine Vielzahl von Werkzeugen und sogar hybride Ansätze, die automatisierte Auswahlverfahren wie das Lasso und das elastische Netz verwenden. Aber die interaktive Natur von GenReg vereinfacht die Einführung einer Hybridstrategie, mit der Sie alternative Modelle, die durch die automatisierte Auswahlmethode unterstützt werden, leicht erkunden können. Jetzt bietet JMP Pro einige leistungsstarke neue Variablenauswahlmethoden, einschließlich einer modifizierten zweistufigen Vorwärtsauswahlmethode - zunächst zu den Haupteffekten und dann zu den Effekten höherer Ordnung, die die Haupteffekte betreffen, wodurch die generalisierte Regression zu einem erstklassigen Werkzeug für die Analyse entworfener Experimente wird.
Ebenfalls neu in JMP Pro 13 ist das Double Lasso, eine zweistufige Modellierungstechnik, bei der ein erster Durchlauf der Lasso-Bildschirme für die Auswahl der zu wählenden Variablen und dann ein zweiter Durchlauf des Lasso für die im ersten Durchlauf ausgewählten Variablen ausgeführt wird. Bei zwei Lassendurchläufen wird der Selektions- und Schrumpfungsprozess des Lassos effektiv voneinander getrennt, was zu besseren Vorhersagen führen kann. Ein weiteres Highlight ist der Zusatz von Erweitertes reguliertes Informationskriterium (ERIC). Das ERIC ähnelt dem Bayesianisches Informationskriterium , aber es wurde speziell für das adaptive Lasso abgeleitet.
Weitere Informationen darüber, was in JMP Pro 13 kommt, erfahren Sie unter Vorschau-Seite auf unserer Website. Dort können Sie sich am 21. September für einen Live-Stream der JMP 13-Tour durch JMP-Chefarchitekt John Sall anmelden. Außerdem können Sie sich kurze Videos über JMP 13 und JMP Pro 13 ansehen.
Anne Milley schrieb:
Danke fürs Mitmachen, Phil! Ich denke, die Benutzer werden mit den Verbesserungen, die Clay gemacht hat, sehr zufrieden sein.
Phil Kay schrieb:
Sehr aufregend. Sie finden das nützlichste Modell mithilfe der Variablenauswahl auf dieser Plattform. Und in Situationen, in denen Sie zuvor keine Variablenauswahl treffen konnten, wie z. B. Time-to-Event und zensierte Daten. Das heißt, Sie können die besten Modelle für das Überleben des Patienten oder die Lebensdauer der Kunden finden. Oder für die Analyse eines DoE, bei dem Daten zensiert wurden, z. B. wenn die Reaktion die Menge der chemischen Verunreinigung ist und einige Läufe zu Ergebnissen führen können, die unter einer Nachweisgrenze liegen.
