Wie ermittelt JMP mithilfe von AICc in der schrittweisen Regression das beste Modell?Wie entscheidet JMP unter Verwendung von Forward AICc im Modul der schrittweisen Regression, welche Variablenkombination das „beste“ Modell ist? Mit anderen Worten: Wie entscheidet es, wann es aufhört, und warum kommt es manchmal zu dem Schluss, dass es kein einzelnes „bestes“ Modell gibt? Ich habe gelesen, dass es einen Unterschied im AICc von 2 oder mehr geben muss, sonst gelten die Modelle als nicht eindeutig. Verwendet JMP das auch?
Betreff: Bestes Modell mit AICc in schrittweiser Regression<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo Benjamin,
Ich wollte nur etwas zu Ihrer Frage hinzufügen, wann das schrittweise Verfahren stoppt und ein bestes Modell identifiziert, mit AICc als Stoppregel. Wenn Sie auf „Los“ klicken, werden (sollten!) die automatischen Anpassungen fortgesetzt, bis ein bestes Modell gefunden wird. Das beste Modell ist dasjenige mit einem minimalen AICc, dem bis zu zehn Modelle mit größeren AICc- bzw. BIC-Werten folgen können. Mit anderen Worten: Beim schrittweisen Verfahren wird versucht, lokale Erhöhungen des AICc für bis zu zehn Modelle zu überwinden, bevor man sich zum Abbruch entscheidet.
Es scheint, dass diese Regel für JMP 11 galt. In Ihrem Beispiel für PP13B war der kleinste AICc-Wert also für Modell 1. Dann waren die Modelle 2 und 3 fit, aber ihre AICc-Werte waren größer als die von Modell 1, und so Das erste Modell wurde als bestes ausgewählt. Wenn es möglich gewesen wäre, hätte JMP weitere acht Modelle eingebaut und sich für Modell 1 entschieden, wenn keines davon einen kleineren AICc gehabt hätte.
Ich hatte übrigens erwartet, dass ein viertes Modell mit Defleshing passen würde. Aber das ist nicht passiert. Ich frage mich, ob Defleshing und Field Dressing möglicherweise kollinear sind, da sie die gleichen SS-Werte haben?(Wenn Modell 3 angepasst war, konnte Modell 4 schrittweise nicht angepasst werden.)
In Ihrem PP5-6-Beispiel hätte das in Schritt 3 definierte Modell als „Bestes“ identifiziert werden sollen.Ich frage mich erneut, ob möglicherweise ein Kollinearitätsproblem vorliegt, das dazu geführt hat, dass Stepwise nicht in das nächste Modell passt.Auf jeden Fall hätte dieses dritte Modell als Bestes gewertet werden müssen.
Ich würde Ihnen dringend empfehlen, alle möglichen Modelle mit Ihren Daten auszuprobieren. Die Verwendung von „Schrittweise“ in Vorwärtsrichtung berücksichtigt nur Modelle entlang eines durch p-Werte definierten Pfads, und dies ist nur eine Teilmenge der möglichen Modelle.Im Gegensatz dazu berücksichtigt „Alle möglichen Modelle“ alle Modelle, wobei die Einschränkung in der Anzahl der von Ihnen angegebenen Begriffe liegt.Mit nur vier Begriffen können Sie problemlos alle Modelle anpassen, sodass Sie „Alle möglichen Modelle“ möglicherweise sehr nützlich finden.
„Alle möglichen Modelle“ ist eine rote Dreiecksoption in Stepwise. Sobald der Bericht „Alle möglichen Modelle“ erstellt wurde, klicken Sie mit der rechten Maustaste in den Hauptteil des Berichts und wählen Sie „In Datentabelle umwandeln“ aus.Mithilfe der Datentabelle sollten Sie ein Graph Builder-Diagramm von AICc nach Anzahl (von Parametern) erstellen.Anhand dieses Diagramms können Sie den Kompromiss zwischen kleinerem AICc und Modellkomplexität leicht erkennen.
Ich hoffe, das ist nützlich...
Marie
Betreff: Bestes Modell mit AICc in schrittweiser RegressionHallo Ben,
Ich habe die Testerin von Stepwise danach gefragt und sie hat mir gesagt, dass es so aussah, als ob Sie auf einen Fehler gestoßen wären, der für JMP12 behoben wurde. Wenn Sie Ihre Daten einsenden möchten, können wir es mit JMP12 ausprobieren, um festzustellen, ob dieses Problem tatsächlich auftritt. Andernfalls könnten Sie warten, bis es in JMP12 ausprobiert wird, wenn es veröffentlicht wird.
Danke,
Michael
Betreff: Bestes Modell mit AICc in schrittweiser RegressionHallo Michael,
Vielen Dank für Ihre Antwort! Ich war mit der Vorstellung vertraut, dass ein Unterschied von <2 auf die Unterstützung beider Modelle hindeutet, war mir aber mit den Modellen 4-7 oder >10 nicht vertraut. Ich wollte Ihnen einen Screenshot von dem zeigen, wovon ich spreche. Im ersten Fall war JMP in der Lage, ein „bestes“ Modell unter Verwendung eines minimalen AICc zu finden (die Variablen sind ein archäologisches Beispiel, an dem ich arbeite – unter Verwendung experimenteller Werkzeugnutzungsschäden zur Vorhersage prähistorischer Werkzeugnutzung). Sie sehen, dass das Modell mit „Schlachterei + Abfangen“ das beste ist.
Für diese archäologische Stätte hat JMP keine „beste“ Kombination experimenteller Werkzeugschäden gefunden, die zur Stätte passt:
Ich kann verstehen, warum im Schrittverlauf kein „Bestes“ gefunden wurde (Unterschied <2 zum vorherigen Schritt), aber als im vorherigen Screenshot ein „Bestes“ Modell gefunden wurde, gab es im AICc einen Unterschied <2 der beiden anderen Modellschritte ... Ich denke, ich versuche nur herauszufinden, was es bedeutet, wenn JMP das „Beste“ findet und wenn nicht.
Danke,
Ben
Betreff: Bestes Modell mit AICc in schrittweiser RegressionHallo,
Bei Verwendung der Stoppregel „Mindest-AICc“ in „Schrittweise“ sollte das „beste“ Modell dasjenige mit dem kleinsten AICc-Wert sein. Ich bin mir nicht sicher, ob ich auf ein Beispiel gestoßen bin, bei dem Stepwise zu dem Schluss kommt, dass es kein einzelnes bestes Modell gibt.
Der Unterschied zwischen den AICc-Werten und dem minimalen AICc-Wert ist jedoch wichtig. Laut Burnham & Anderson (2002; S. 70-71) impliziert ein Unterschied von weniger als 2 eine erhebliche empirische Unterstützung für das Modell mit dem höheren AICc, ein Unterschied von 4 bis 7 bedeutet „erheblich weniger“ Unterstützung für das Modell mit dem höheren AICc AICc und eine Differenz von mehr als 10 implizieren ein Maß an empirischer Unterstützung, das „im Wesentlichen keine“ ist.
Grüße,
Michael
Burnham & Anderson (2002), Modellauswahl und Multimodell-Inferenz: Ein praktischer informationstheoretischer Ansatz . Springer, New York.
Link zur Verlagsseite: Modellauswahl und Multimodell-Inferenz – Ein praktischer informationstheoretischer Ansatz
