学術目的でのモデル適合性を向上させるために0値を削除するやあ、
34 種類の異なるサンプル配合について測定された揮発性物質濃度を含むデータ ファイルがあります。現在、見つかった揮発性物質 (応答) を配合 (予測子) に対してモデル化しようとしています。ただし、すべての配合で同じ揮発性物質が生成されるわけではないため、データ内には 0 値 (未検出) がかなりあります。そのため、揮発性データのかなり多くが SASH 分布または Johnson 分布に従います。特定の揮発性物質に対して 0 値を持つサンプルを除外すると、モデリング用のデータ分布が改善されますが、もちろんこれは私にとって有利なデータ操作でもあります。もう 1 つの欠点は、サンプル プールが小さくなることです。たとえば、特定の揮発性物質の原因となる特定の成分がサンプルの半分にしか含まれていない場合 (つまり、もう半分ではその揮発性物質は生成されず、0 になる)、サンプル セットは半分になります。
ある意味、0値を除去するのは理にかなっていると思います。そもそもモデルでは、目的とする揮発性物質を形成する成分だけが必要なのですから。しかし、この方法を査読付きジャーナルに掲載する場合、妥当かどうか確信が持てません。この方法を使った経験のある方、また0値のサンプルを除去することが受け入れられるかどうかについて、ご存知の方はいらっしゃいますか？
よろしくお願いします！
基本的なデータ分析とモデリングデータのブレンドとクリーンアップ予測モデリングと機械学習信頼性分析Re: 学術目的でのモデル適合性を向上させるために 0 値を削除するJMP Pro では、ポアソン分布や二項分布などの非正規分布にモデルを適合するための一般化回帰の例を参照できます。
Re: 学術目的でのモデル適合性を向上させるために 0 値を削除するご返信ありがとうございます。これらの分布は整数データにのみ使用できると承知していますが、私のデータは非整数です。他に解決策はありますか？
Re: 学術目的でのモデル適合性を向上させるために 0 値を削除するいい指摘ですね。見逃してしまい申し訳ありません！実用的な観点からはあなたのアプローチは理にかなっていると思いますが、ご質問は出版の適性に関するものなので、統計に詳しい方にお尋ねしたいと思います。他の方のご意見もぜひお聞かせください。
もう一つ思い浮かぶアイデアは、 ニューラルネットワークやパーティションモデル（決定木）を試してみたことはありますか？ニューラルモデルは最大限の柔軟性を提供し、決定木は柔軟性と解釈可能性のバランスが取れています。
