「モデルのあてはめ」プラットフォームの「一般化回帰」手法は、JMP Proのみで使用できます。
JMP Proの「モデルのあてはめ」プラットフォームで提供されている「一般化回帰」手法は、回帰分析の枠組みにおいて、パラメータ推定値を縮小(shrink; 収縮)させたり、変数選択を行ったりします。この手法は、相関の高い説明変数が多数あるようなデータで役立ちます。用意されている方法のうち、Lassoと弾性ネットは、パラメータ推定値を縮小させるとの同時に、変数選択も行います。
相関の高い説明変数が多数あるデータでは、一般的に、多重共線性の問題が生じます。最近のデータでは、標本サイズよりも変数の個数の方が多いこともあります。そのような場合は、変数を選択する必要があります。しかし、多重共線性や説明変数が多数あることにより、従来の方法ではうまく分析できないことがあります。
実験計画で得られたデータなどの、小規模で相関があまりないようなデータでも、Lassoや弾性ネットは役立ちます。予測モデルを作成する場合や、モデルに含める変数を選択する場合にこれらの方法は役立ちます。
「一般化回帰」手法は、さまざまなモデルをサポートしています。「一般化回帰」手法では、応答変数の分布として、さまざまな分布を用意しています。たとえば、正規分布(応答が連続尺度のとき)、二項分布やPoisson分布(応答が度数のとき)、ゼロ強調(zero inflated)の分布が用意されています。「一般化回帰」は、説明変数を取捨選択したい場合や、説明変数に共線性がある場合に役立ちます。また、これらのモデルを、最尤法に基づく従来のモデルと比較するのにも使えます。
図6.1 弾性ネットのパラメータ推定値の経路