成分解釋變量<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好
我的問題是如何使用 JMP Pro 在線性回歸模型中實現成分解釋變量。 假設我們有一個連續因變量 Y 和 d 個解釋變量 X1, ...,X d以百分比表示，並以常數和約束 (100%) 為特徵。Aitchison 在 1986 年引入了 log-contrast 來解決這個問題，但參數的解釋仍然存在問題。 JMP Pro 中是否有任何模型可以處理成分解釋變量的問題？ 我閱讀了有關使用居中對數比變換 (clr) 或等距對數比變換 (ilr) 的信息，但它們在 JMP 中不可用
謝謝
回复：成分解釋變量對不起我懶惰。 DanO的回答基本上就是我想說的！
回复：成分解釋變量我需要稍微修改一下我的答案。 我注意到如果您的 X 變量加起來為 1，JMP 會自動切換到 Scheffe 模型。 看起來您無法將無截距模型擬合到組合變量。 所以我之前的註釋很重要，以防變量加起來不完全等於 1。 感謝 Jian Cao 指出這種情況下即使未設置混合屬性也能自動擬合 Scheffe 模型。
回复：成分解釋變量,
簡短的回答是，是的，JMP Pro（甚至常規 JMP）可以適當地分析這種情況。
更長，更詳細的答案：
您的情況當然可以被視為混合模型。 混合模型是一種模型，其中“因素”（在您的情況下為 X1 到 Xd）被限制為它們加起來為 1 或 100%。 由於此約束，您不能使用標準回歸技術（您有一個無法反轉的奇異矩陣）。 有幾種不同的可能“技巧”可用於將其轉化為回歸問題。 最常見的是使用所謂的 Scheffe 模型。 該模型會將截距放入每個主效應中。 這將“刪除”單獨估計的截距項。 這是 MIchael.Anderson 提出的方法。 如果仔細觀察，方差分析結果表中會有一行內容為“Testing Against Reduced Model Y = Mean”。 這證明它是 Scheffe 模型，而不是無攔截模型。 無攔截模型將具有“針對簡化模型 Y = 0 進行測試”這一行。
這是迄今為止分析您的情況的最簡單方法，但 Scheffe 模型的解釋與典型的回歸模型不同（事實上，所有這些“成分變量”的模型都需要以不同的方式解釋，因為您不能使用典型的回歸） . 此處解釋需要一些時間，因為在我們的混合分析課上大約需要 30 分鐘。 解釋還取決於您要擬合的模型的順序。 希望這將使您對正在發生的事情以及開始學習如何正確分析這種情況的地方有所了解。
回复：成分解釋變量你好邁克爾，
首先感謝您的回复。 我嘗試了您解決這個問題的方法，但結果讓我有些困惑，因為將“混合效應”屬性添加到我的成分解釋變量中只會抑制標準最小二乘回歸模型中的截距。 換句話說，如果我使用沒有“混合效應”和“無截距”的標準最小二乘法，“混合效應”的結果是相同的。 所以我的理解是沒有任何類型的轉換。
如果我想使用“混合效果”，我需要選擇特定的個性嗎？ 我還需要用 0.0001 之類的數字替換我的組合解釋變量中的所有零嗎？ 我的第三個問題是是否出於 d compostional explanatory variables ，我必須使用 d-1 以避免多重共線性。
非常感謝您的回复。
小號
回复：成分解釋變量你好塞巴斯蒂安，
感謝您的答复。 我不需要設計任何實驗。 我已經有了我的數據，需要將它們放入模型中。 我的回答是一個連續變量，我的解釋變量是連續變量和分類變量的混合。 我的四個解釋變量是連續組合變量，它們的總和是 100%。 成分變量是奇異的，我讀到成分解釋變量不應直接用於線性回歸模型，因為任何推斷統計都會產生誤導
我查看了 JMP Pro 中的“擬合混合設計”，但我的理解是它們的模型類型用於設計模型而不是擬合模型。
最好的
回复：成分解釋變量當您在“擬合模型”中構建模型時，查看對話框底部的“屬性”紅色小三角下方。在那裡你會發現“混合效應”。選擇您希望成為混合的一部分的列（它們應該已經在對話框的“模型效果”區域中），然後選擇“混合效果”屬性。
最好的，
米
回复：成分解釋變量您可能希望將您的問題解釋為混合分析：擬合混料設計
我不知道這對您的申請是否有意義，但這將是我的第一次嘗試。
