Salut l'équipe,
Je suis assez novice en matière de modélisation par régression. J'utilise actuellement la fonction FitModel pour créer mon modèle. Mon objectif est d'éliminer les données aberrantes en me basant sur l'historique des données. Par exemple, je dispose d'un ensemble de données historiques et je crée le modèle à partir de cet ensemble. Une fois le modèle obtenu, je prédis les résultats et compare les écarts entre les valeurs prédites et les valeurs réelles. Plus le résidu est élevé, plus la probabilité que la donnée soit anormale est grande.
Lors de l'ajustement du modèle, j'ai constaté que le choix de différents paramètres générait des résultats différents. Une fois le modèle obtenu, j'ai examiné les points de données présentant un résidu studentisé élevé afin de vérifier leur validité. J'ai dû répéter l'étape de sélection des paramètres à plusieurs reprises pour obtenir un modèle satisfaisant. Prenons l'exemple suivant :
Modèle 1 :
Modèle 2 :
Comme vous pouvez le constater, le modèle 2 présente de nombreux points de données avec un résidu studentisé élevé, comparativement au modèle 1. Lors de la validation de ces points de données, ceux-ci ont été classés comme non valides. Il semble donc que le modèle 2 soit plus robuste.
Ma question est la suivante : bien que les deux modèles présentent des scores R² élevés, pourquoi le modèle 2 a-t-il permis d’éliminer davantage de points de données aberrants ? Cela pourrait être dû aux paramètres que j’ai choisis lors de la création du modèle.
Questions :
-Si je classe les points de données comme Bons/Mauvais dans une nouvelle colonne de l'ensemble de données, existe-t-il une méthode dans JMP qui pourrait me suggérer les paramètres à choisir afin que le modèle soit plus robuste pour éliminer les points de données mauvais ?
-Si je ne classe pas les points de données, existe-t-il une méthode dans JMP qui pourrait me suggérer les paramètres à choisir afin que le modèle soit plus robuste pour éliminer les points de données erronés ?
J'espère pouvoir obtenir des conseils de la communauté.
Apprécie
