Variables explicatives de composition<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Bonjour
Ma question est de savoir comment implémenter une variable explicative de composition dans un modèle de régression linéaire utilisant JMP Pro. Supposons que nous avons une variable dépendante continue Y et que nous avons d variables explicatives X1, ..., X ré représentés en pourcentages et caractérisés par une contrainte de somme constante (100%). En 1986, Aitchison a introduit le contraste de journal pour résoudre ce problème, mais l'interprétation des paramètres pose encore des problèmes. Existe-t-il un modèle dans JMP Pro capable de traiter le problème des variables explicatives de composition? J'ai lu des informations sur l'utilisation de la transformation du rapport de centrage (CLR) ou de la transformation du rapport de log isométrique (ILR), mais elles ne sont pas disponibles dans JMP.
Je vous remercie
Re: Variables explicatives de compositionDésolé pour moi d'être paresseux. La réponse de DanO est fondamentalement ce que je voulais dire!
Re: Variables explicatives de compositionJ'ai besoin de modifier ma réponse légèrement. J'ai remarqué que si vos variables X totalisaient 1, JMP basculerait automatiquement vers un modèle Scheffe. Il semble que vous ne puissiez pas adapter un modèle sans interception à des variables compositionnelles. Donc, ma note précédente est importante au cas où les variables ne totalisent pas 1 exactement. Merci à Jian Cao d'avoir signalé cette adaptation automatique d'un modèle de Scheffe dans cette situation, même si l'attribut de mélange n'est pas défini.
Re: Variables explicatives de compositionS,
La réponse courte est que OUI, JMP Pro (et même JMP ordinaire) peuvent analyser cette situation de manière appropriée.
Réponse plus longue et plus détaillée:
Votre situation pourrait certainement être considérée comme un modèle mixte. Un modèle de mélange est un modèle dans lequel les "facteurs" (X1 à Xd dans votre cas) sont contraints d’ajouter 1 ou 100%. En raison de cette contrainte, vous ne pouvez pas utiliser les techniques de régression standard (vous avez une matrice singulière qui ne peut pas être inversée). Il existe plusieurs "astuces" possibles pour transformer ce problème en problème de régression. Le plus courant consiste à utiliser ce qu'on appelle un modèle de Scheffe. Ce modèle mettra l'interception dans chacun des effets principaux. Cela "supprimera" le terme d'interception comme étant estimé séparément. C'est l'approche proposée par MIchael.Anderson. Si vous examinez attentivement le résultat, le tableau d'analyse de variance obtenu comportera une ligne indiquant "Tests par rapport au modèle réduit Y = moyenne". Cela prouve qu'il s'agit d'un modèle de Scheffe et non d'un modèle sans interception. Un modèle sans interception aurait la ligne "Test par rapport au modèle réduit Y = 0".
C'est de loin le moyen le plus facile d'analyser votre situation, mais les modèles de Scheffe sont interprétés différemment d'un modèle de régression typique (en fait, tous les modèles de ces "variables de composition" devront être interprétés différemment car vous ne pouvez pas utiliser de régression typique). . L’interprétation prend un peu de temps ici, car il faut environ 30 minutes en classe pour l’analyse des mélanges. L'interprétation dépend également de l'ordre du modèle que vous ajustez. Espérons que cela vous donnera un aperçu de ce qui se passe et des endroits où commencer à apprendre comment analyser correctement cette situation.
Re: Variables explicatives de compositionBonjour Micheal
Merci d'abord pour votre réponse. J'ai essayé votre approche de ce problème, mais le résultat est pour moi source de confusion car l'ajout d'attributs "Effet de mélange" à mes variables explicatives de composition n'a fait que supprimer l'interception dans le modèle de régression Standard des moindres carrés. En d'autres termes, le résultat de "l'effet de mélange" est le même si j'avais les moindres carrés standards sans "effet de mélange" et "pas d'interception". Donc, ma compréhension est qu'il n'y a aucune transformation d'aucune sorte.
Dois-je choisir une personnalité spécifique si je veux utiliser "Effet de mélange"? De plus, dois-je remplacer tous les zéros dans mes variables explicatives de composition par un nombre tel que 0,0001? Ma troisième préoccupation est de savoir si, à l'aide de variables explicatives de composition, je dois utiliser d-1 afin d'éviter la multicolinéarité.
J'apprécie vraiment votre réponse.
S
Re: Variables explicatives de compositionBonjour Sébastien,
Merci pour votre réponse. Je n'ai pas besoin de concevoir d'expériences. J'ai déjà mes données et je dois les intégrer dans un modèle. Ma réponse est une variable continue et mes variables explicatives sont un mélange de variables continues et catégoriques. Quatre de mes variables explicatives sont des variables de composition continues dont la somme est 100%. Les variables de composition sont singulières et j'ai lu que les variables explicatives de composition ne devraient pas être utilisées directement dans un modèle de régression linéaire, car toute statistique d'inférence peut devenir trompeuse.
JMP Pro, j’ai jeté un coup d’œil sur les «Modèles de mélange d’ajustement», mais j’ai bien compris que leurs types de modèles sont destinés à la conception de modèles plutôt qu’à l’ajustement de modèles.
Meilleur
Re: Variables explicatives de compositionLorsque vous construisez votre modèle dans Modèle ajusté, regardez sous le triangle rouge Attributs vers le bas de la boîte de dialogue. Vous y trouverez un "effet de mélange". Sélectionnez les colonnes (elles devraient déjà figurer dans la zone Effets du modèle de la boîte de dialogue) que vous souhaitez inclure dans votre mélange et sélectionnez l'attribut Effet de mélange.
Meilleur,
M
Re: Variables explicatives de compositionVous voudrez peut-être interpréter votre problème comme une analyse de mélange: Modèles de mélange adaptés
Je ne sais pas si cela a du sens pour votre demande, mais ce serait mon premier coup.
