Arcilla barker ha estado ocupado extendiendo la utilidad de la Regresión generalizada Plataforma en JMP Pro, agregando muchos modelos nuevos y mejorando la facilidad de uso. Regresión generalizada (o GenReg para abreviar) debutó en JMP Pro 11 como el lugar para hacer un trío de técnicas de regresión penalizadas populares: Lazo , Red elástica y Cresta . Estas técnicas penalizadas son atractivas porque conducen a modelos más simples que son menos propensos a sobreajuste . Después de agregar más técnicas de modelado y selección en JMP Pro 12 y ahora en JMP 13, GenReg se ha convertido en un lugar para realizar la selección de variables de manera rápida y sencilla para una amplia variedad de problemas.
La selección de variables es donde gran parte del "arte" está en la construcción de modelos, y más aún con datos cada vez más amplios.
“Los clientes han estado solicitando la selección de variables para los datos de tiempo hasta el evento durante algún tiempo, y ahora GenReg podrá hacerlo. No hay muchas opciones fáciles para realizar la selección de variables en tantos escenarios diferentes ", dice Clay, un desarrollador de estadísticas de investigación sénior en JMP.
Ahora puede usar Regresión generalizada en los datos de tiempo hasta el evento.
Una de las mejoras más importantes en la plataforma de Regresión Generalizada para JMP Pro 13 es la capacidad de manejar datos censurados para realizar análisis de supervivencia paramétricos y modelos de riesgos proporcionales. El desarrollador Peng Liu incluso agregó un enlace a la plataforma de regresión generalizada desde la plataforma de análisis de supervivencia (en JMP Pro).
La selección de variables es un área activa de investigación en estadística. Para hacer bien la selección de variables y construir modelos realmente útiles, necesita una amplia gama de herramientas e incluso enfoques híbridos que utilizan técnicas de selección automatizadas como Lasso y Elastic Net. Pero la naturaleza interactiva de GenReg facilita la adopción de una estrategia híbrida en la que puede explorar fácilmente modelos alternativos compatibles con la técnica de selección automatizada. Ahora, JMP Pro proporciona algunos nuevos métodos de selección de variables potentes, que incluyen un método de selección avanzado modificado en dos etapas: primero sobre los efectos principales y luego sobre los efectos de orden superior que implican los efectos principales, lo que hace de la Regresión generalizada una herramienta principal para analizar experimentos diseñados.
Otra novedad en JMP Pro 13 es el Double Laso, una técnica de modelado en dos etapas en la que una primera pasada de la Lasso selecciona las variables para seleccionar y luego una segunda pasada de Lazo se realiza sobre las variables seleccionadas en la primera pasada. Hacer dos pasadas del lazo separa efectivamente el proceso de selección y contracción del lazo, lo que puede llevar a mejores predicciones. Otro punto a destacar es la adición de la Criterio de información regularizada extendida (ERIC). ERIC es similar en espíritu a la Criterio de Información Bayesiana , pero se derivó específicamente para el lazo adaptativo.
Puede encontrar más información sobre lo que viene en JMP Pro 13 visitando el página de vista previa en nuestra página web. Allí, puede registrarse para ver una transmisión en vivo de la gira de JMP 13 del arquitecto jefe de JMP John Sall el 21 de septiembre, así como ver videos cortos sobre JMP 13 y JMP Pro 13.
Anne Milley escribió:
¡Gracias por intervenir, Phil! Creo que los usuarios estarán muy satisfechos con las mejoras que Clay ha realizado.
Phil Kay escribió:
Muy emocionante. Puede encontrar el modelo más útil utilizando la selección de variables en esta plataforma. Y en situaciones en las que anteriormente no podía hacer una selección de variables, como el tiempo hasta el evento y los datos censurados. Lo que significa que puede encontrar los mejores modelos para la supervivencia del paciente o el valor de la vida del cliente. O para el análisis de un DoE donde haya censurado datos, por ejemplo, donde la respuesta es la cantidad de una impureza química y algunas ejecuciones pueden llevar a resultados que están por debajo de un límite de detección.
