반응 변수 선별 플랫폼 시작
분석 > 선별 > 반응 변수 선별을 선택하여 반응 변수 선별 플랫폼을 시작합니다.
그림 24.4 반응 변수 선별 시작 창
"열 선택"의 빨간색 삼각형 메뉴에 포함된 옵션에 대한 자세한 내용은 열 필터 메뉴의 JMP 사용에서 확인하십시오.
시작 창 역할
Y, 반응
분석할 측정값이 포함된 반응 열을 식별합니다.
X
반응을 검정할 열을 식별합니다.
그룹화
지정된 열의 각 수준에 할당된 행을 개별적으로 분석합니다. 모든 결과는 단일 테이블과 보고서에 제공됩니다.
가중치
각 행에 가중치를 할당하는 데 사용할 값이 있는 열을 식별합니다. 이러한 값은 분석에서 가중치로 사용됩니다. 자세한 내용은 가중치의 선형 모형 적합에서 확인하십시오.
빈도
각 행에 빈도를 할당하는 데 사용할 값이 있는 열을 식별합니다. 이러한 값을 사용하면 사전 요약된 데이터를 고려할 수 있습니다. 자세한 내용은 빈도의 선형 모형 적합에서 확인하십시오.
기준
지정된 열의 각 수준에 대해 해당하는 Y 및 X를 분석하고 결과를 별도의 테이블과 보고서에 제공합니다.
시작 창 옵션
공통 Y 척도
(연속형 반응이 두 개 이상인 경우에만 해당) 모든 연속형 반응의 척도가 동일하다는 것을 플랫폼에 알립니다. 이는 평균 차이 또는 기울기를 비교하는 데 필요합니다. 이 옵션을 선택하고 하나 이상의 범주형 X 변수가 있는 경우 "반응 변수 선별" 보고서 창에 "LogWorth 대 차이" 그림과 "평균 차이" 보고서가 기본적으로 표시됩니다. 이 옵션을 선택하지 않으면 "반응 변수 선별"의 빨간색 삼각형 메뉴를 통해 "LogWorth 대 차이" 그림에 액세스할 수 있습니다.
공통 X 척도
(연속형 X 변수가 두 개 이상인 경우에만 해당) 모든 연속형 X 변수의 척도가 동일하다는 것을 플랫폼에 알립니다. 이는 여러 X 변수의 기울기를 비교하는 데 필요합니다. "공통 X 척도" 옵션과 "공통 Y 척도" 옵션을 둘 다 선택한 경우 "반응 변수 선별" 보고서 창에 "LogWorth 대 기울기" 그림이 기본적으로 표시되고, "기울기" 열이 "결과 테이블"에 포함됩니다. 이 옵션을 선택하지 않으면 "반응 변수 선별"의 빨간색 삼각형 메뉴를 통해 "LogWorth 대 기울기" 그림에 액세스할 수 있습니다.
평균 비교
(연속형 반응과 범주형 X 변수가 각각 하나 이상인 경우에만 해당) X 변수의 여러 수준에 대한 평균을 비교하는 방법을 지정합니다.
각 수준과 대조군
각 범주형 X 변수에 대해 각 수준을 대조군 수준과 비교합니다. 기본 대조군 수준은 첫 번째 수준입니다.
팁: "대조 수준" 열 특성을 요인 열에 추가하여 기본 대조군과 다른 대조군을 지정할 수 있습니다. 자세한 내용은 대조 수준의 JMP 사용에서 확인하십시오.
모든 조합
각 범주형 X 변수에 대해 가능한 모든 수준 조합을 비교합니다.
비율 조정
위험비, 승산비 및 위험도 차이를 계산할 때 셀 개수에 0.5를 추가하는 옵션을 제공합니다. 이렇게 조정하면 셀 개수가 0인 경우 0으로 나누기에서 발생하는 문제를 방지할 수 있습니다. 자세한 내용은 Haldane(1956) 연구 자료에서 확인하십시오. 하나 이상의 명목형 반응과 하나 이상의 범주형 예측 변수가 있는 경우 비율 조정 옵션을 사용합니다.
조정 없음
셀 개수를 조정하지 않습니다.
0일 때 0.5 추가
위험비, 승산비 및 위험도 차이를 계산할 때 개수가 0인 셀에 0.5를 추가합니다.
항상 0.5 추가
위험비, 승산비 및 위험도 차이를 계산할 때 모든 셀 개수에 0.5를 추가합니다.
결측값을 범주로 처리
범주형 X 변수에 대해 X의 결측값을 범주로 처리합니다.
쌍체 X와 Y
Y, 반응 및 X 목록의 순서에 따라 X 열과 쌍을 이룬 Y 열에 대해서만 검정을 수행합니다. 첫 번째 Y는 첫 번째 X와 쌍이 되고 두 번째 Y는 두 번째 X와 쌍이 되는 식입니다.
참고: "쌍체 X와 Y" 옵션을 선택한 경우 평균 차이 표시, 실제적 차이 및 동등성, 기울기 표시 및 2 x M 보고서 기능이 지원되지 않습니다.
화산 그림에 FDR 축 사용
FDR LogWorth를 "LogWorth 대 차이" 그림과 "LogWorth 대 기울기" 그림의 세로 축으로 지정합니다.
시작 시 p 값 테이블
P 값 및 개별 모형 적합 통계량에 대한 데이터 테이블을 생성합니다. 이 데이터 테이블은 반응 변수 선별 보고서의 "결과 테이블"에 연결됩니다.
보고서 없음
보고서 창을 표시하지 않습니다. 이 옵션을 사용하면 보고서 창을 나타내지 않고 저장 명령을 실행하여 결과를 얻을 수 있습니다.
고급 옵션
로버스트
(로버스트 결과는 연속형 반응에 대해서만 표시됨) Huber M-추정 방법(Huber와 Ronchetti 2009)을 사용하여 회귀 및 ANOVA 모형을 적합시킵니다. 이 방법은 Huber 손실 함수를 최소화하여 모수를 추정합니다. Huber 손실 함수는 이상치에 벌점을 부과하여 이상치가 검정에 미치는 영향을 줄입니다. 이상치가 없으면 추정값이 최소 제곱 추정값에 가깝습니다. "로버스트" 옵션을 선택한 경우 여러 로버스트 측도 및 모형 적합 통계량 열이 "결과 테이블"에 추가됩니다. Huber M-추정에 대한 자세한 내용은 밀도 타원 보고서의 기본 분석에서 확인하십시오. 예는 로버스트 적합의 예에서 확인하십시오.
주의: "로버스트" 옵션을 사용하면 처리 시간이 길어질 수 있습니다.
Cauchy
(Cauchy 결과는 연속형 반응에 대해서만 표시됨) 최대 가능도와 Cauchy 연결 함수를 사용하여 모수를 추정합니다. 이 추정 방법은 오차가 Cauchy 분포를 따른다고 가정합니다. Cauchy 분포는 정규 분포보다 꼬리가 더 두꺼우므로 이상치의 영향이 줄어듭니다. 이 옵션은 데이터에 포함된 이상치의 비율이 높은 경우에 유용할 수 있습니다. 하지만 데이터가 정규 분포에 가깝고 이상치가 일부만 있는 경우에 이 옵션을 사용하면 추론이 잘못될 수 있습니다. "Cauchy" 옵션을 선택하면 여러 Cauchy 측도 및 모형 적합 통계량 열이 "결과 테이블"에 추가됩니다.
Poisson Y
각 Y 반응을 Poisson 분포를 따르는 개수로 적합시킵니다. 반응이 연속형이고 X 변수가 범주형인 경우에만 검정이 수행됩니다. 이 옵션은 반응이 개수일 때 적절합니다.
경험적 Bayes 축소
("공통 Y 척도" 옵션을 선택한 경우에만 적용 가능) 모든 추정값에서 강도를 차용하고(borrowing strength) 잔차 분산 추정값을 추정된 사전 최빈값으로 축소합니다. 이는 공통 척도를 사용하는 많은 연속형 반응을 선별할 때 유용합니다. 사전 값을 적용하면 각 개별 적합에 대한 자유도와 오차 제곱합이 증가합니다. 이로 인해 검정에 사용할 검정력이 약간 증가합니다. 자세한 내용은 Smyth(2004) 연구 자료에서 확인하십시오.
카파
(Y와 X가 모두 범주형이고 수준 수가 같은 경우에만 해당) Y와 X 간의 합치도 측도인 카파를 계산합니다. 결과는 결과 테이블의 "카파" 열에 보고됩니다.
상관
Pearson 곱적률 상관계수를 계산합니다. 결과는 결과 테이블의 "상관" 열에 보고됩니다. 범주형 변수의 경우 값 순서화로 정의된 인덱스에 따라 상관이 계산됩니다.
X와 Y가 모두 이항인 경우 Pearson 곱적률을 계산하면 Spearman Rho 및 Kendall Tau-B가 제공됩니다. 그렇지 않은 경우 "상관" 값이 크면 연관성을 나타내고 "상관" 값이 작으면 연관성을 배제하지 않습니다.
최대 LogWorth
LogWorth 값(p 값의 -log10)과 관련된 그림의 척도를 제어합니다. 최대 LogWorth를 초과하는 LogWorth 값은 LogWorth 그림에서 극단 척도를 방지하기 위해 최대 LogWorth로 표시됩니다. 예는 최대 LogWorth 옵션의 예에서 확인하십시오.
X 범주형 강제 적용
모델링 유형을 무시하고 모든 X 열을 범주형 열로 처리합니다.
X 연속형 강제 적용
모델링 유형을 무시하고 모든 X 열을 연속형 열로 처리합니다.
Y 범주형 강제 적용
모델링 유형을 무시하고 모든 Y 열을 범주형 열로 처리합니다.
Y 연속형 강제 적용
모델링 유형을 무시하고 모든 Y 열을 연속형 열로 처리합니다.
언스레드
계산 속도를 위해 멀티스레딩 사용을 제한합니다.