일반화 회귀의 예
이 예에서는 일반화 회귀 기법을 사용하여 예측 모형을 개발하는 방법을 보여 줍니다. 데이터는 442명의 당뇨병 환자에 대한 측정값으로 구성됩니다. 관심 반응은 기준 측정을 수행하고 1년 후 측정된 질병 진행률입니다. 질병 진행과 관련이 있다고 간주되는 10가지 변수도 기준에서 측정됩니다.
1. 도움말 > 샘플 데이터 폴더를 선택하고 Diabetes.jmp를 엽니다.
2. 분석 > 모형 적합을 선택합니다.
3. "열 선택" 목록에서 Y를 선택하고 Y를 클릭합니다.
4. Age ~ Glucose를 선택하고 매크로 > 특정 차수까지의 요인을 클릭합니다.
이렇게 하면 차수 2(차수 상자의 기본값)까지의 모든 항이 모형에 추가됩니다.
5. "열 선택" 목록에서 Validation을 선택하고 검증을 클릭합니다.
6. "분석법" 목록에서 일반화 회귀를 선택합니다.
7. 실행을 클릭합니다.
"모형 비교" 보고서, "모형 시작" 제어판 및 "검증 열을 사용한 정규 표준 최소 제곱" 보고서가 포함된 "일반화 회귀" 보고서가 나타납니다.
"모형 시작" 제어판에서 다음 사항에 유의하십시오.
– "모형 적합" 시작 창에서 "분포"에 "정규"를 지정했으므로 "반응 분포"가 "정규"로 설정됩니다.
– 기본 추정 방법은 Lasso 회귀입니다.
– "모형 적합" 창에서 검증 열을 지정했으므로 "검증 방법"이 "검증 열"로 설정됩니다.
8. 시작을 클릭합니다.
"검증 열을 사용한 정규 Lasso 회귀" 보고서가 나타납니다. "해 경로" 보고서(Figure 6.2)에서는 모수 추정값 및 척도화된 -1*로그 가능도 그림을 보여 줍니다. 척도화된 모수 추정값의 크기가 감소하면 축소량이 증가합니다. 그림 맨 오른쪽의 추정값은 최대 가능도 추정값입니다. 빨간색 수직선은 검증 기준(이 예에서는 Validation 열에 정의된 홀드백 표본)에 의해 선택된 모수 값을 나타냅니다.
그림 6.2 해 경로 그림
9. "검증 열을 사용한 정규 Lasso 회귀" 옆의 빨간색 삼각형을 클릭하고 0이 아닌 항 선택을 선택합니다.
이 옵션은 "원래 예측 변수에 대한 모수 추정값" 보고서(Figure 6.3)에서 0이 아닌 항을 강조 표시하고 해 경로 그림에서 해당 경로를 강조 표시합니다. 데이터 테이블의 해당 열도 선택됩니다. 55개의 모수 추정값 중 11개만 0이 아닙니다. 정규 분포에 대한 척도 모수(시그마)도 추정되어 "원래 예측 변수에 대한 모수 추정값" 보고서 하단에 있는 별도의 테이블에 표시됩니다. 55개의 모수 추정값 중 일부만 Figure 6.3에 나와 있습니다.
그림 6.3 원래 예측 변수에 대한 모수 추정값 보고서의 일부
예측 계산식을 저장하려면 "검증 열을 사용한 정규 Lasso 회귀" 보고서 옆의 빨간색 삼각형을 클릭하고 열 저장 > 예측 계산식 저장을 선택합니다.