「Fishing.jmp」サンプルデータは、公園を訪れたグループが釣った魚の数の架空データです。データは、家族連れやグループから収集した250行のデータです。この例では、「釣った魚」の数を、「生き餌」、「釣竿の本数」、「キャンプをした?」、「人数」、「子供」で予測します。これらの列については、データテーブルの各列のノートに説明があります。
このサンプルデータには、「釣りをした?」という非表示の列もあります。ただし、データの収集時には、グループ内の誰かが実際に釣りをしたかどうかは特定されておらず、この列の情報は観測されていません。データの魚がゼロ匹である場合は、グループの誰も釣りをしなかったケースと、釣りをした人がいるが1匹も釣れなかったケースの2通りが考えられます。「釣りをした?」列には、どちらのケースに該当するかが含まれています。
|
1.
|
［ヘルプ］>［サンプルデータライブラリ］を選択し、「Fishing.jmp」を開きます。
|
|
2.
|
［分析］>［モデルのあてはめ］を選択します。
|
|
3.
|
|
4.
|
2次までの項（「次数」ボックスでのデフォルト）がモデルに追加されます。
|
5.
|
「列の選択」リストで「検証」を選択し、［検証］をクリックします。
|
|
6.
|
「手法」のリストから［一般化回帰］を選択します。
|
|
7.
|
「分布」リストから［ゼロ強調 Poisson］を選択します。
|
|
8.
|
［実行］をクリックします。
|
|
9.
|
「推定法」リストから［弾性ネット］を選択します。
|
|
10.
|
［実行］をクリックします。
|
「適応型弾性ネット (検証法: 検証列)」レポートが表示されます。「パラメータ推定値の経路」、「元の説明変数に対する推定値」レポート、「効果の検定」レポートを見ると、1つの項に対する推定値ゼロであることがわかります。また、両パラメータ推定値レポートの最終行に表示されている「ゼロ強調」パラメータは高度に有意です。つまり、「釣った魚」という応答の変動の一部は、釣りをしなかったグループがあることに起因しているようです。
図7.6 「元の説明変数に対する推定値」レポート
|
11.
|
「適応型弾性ネット (検証法: 検証列)」の赤い三角ボタンをクリックし、［プロファイル］>［プロファイル］を選択します。
|
|
12.
|
「予測プロファイル」の赤い三角ボタンをクリックし、［最適化と満足度］>［満足度関数］を選択します。
|
「釣った魚」の数の最大化を目標とする満足度関数が、応答に適用されます。（満足度関数の詳細については、『プロファイル機能』の「プロファイル」章を参照してください）。
|
13.
|
「予測プロファイル」の赤い三角ボタンをクリックし、［最適化と満足度］>［満足度の最大化］を選択します。
|
設定を変えながら、有意な要因である「生き餌」、「釣竿の本数」、「釣竿の本数*キャンプをした?」、「釣竿の本数*子供」の影響を確認できます。たとえば、「生き餌」を使うと、より多くの魚が釣れています。そして、「キャンプをした」方が、また持参した釣竿が多い方がより多くの魚を釣っています。
|
14.
|
|
15.
|
計算式を確認するには、どちらかの列の見出しを右クリックし、［計算式］をクリックします。または、「列」パネルの列名の右側にある＋記号をクリックします。これらの2つの計算式には、ゼロ強調パラメータの推定値0.7819268が使用されています。
|