Kompositorische erklärende Variablen<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo
Meine Frage ist, wie man mit JMP Pro eine kompositorische erklärende Variable in einem linearen Regressionsmodell implementiert. Angenommen, wir haben eine kontinuierliche abhängige Variable Y und wir haben d erklärende Variablen X1, ...,X D die in Prozentsätzen dargestellt werden und durch eine konstante Summenbeschränkung (100 %) gekennzeichnet sind.Aitchison führte 1986 den Log-Kontrast ein, um dieses Problem zu lösen, es gibt jedoch immer noch Probleme bei der Interpretation der Parameter. Gibt es in JMP Pro ein Modell, das das Problem kompositorischer erklärender Variablen bewältigen kann? Ich habe über die Verwendung der zentrierten Log-Ratio-Transformation (clr) oder der isometrischen Log-Ratio-Transformation (ilr) gelesen, aber diese sind in JMP nicht verfügbar
Danke
Betreff: Kompositorische erklärende VariablenTut mir leid, dass ich faul bin. DanOs Antwort ist im Grunde das, was ich sagen wollte!
Betreff: Kompositorische erklärende VariablenIch muss meine Antwort etwas modifizieren. Mir ist aufgefallen, dass JMP automatisch zu einem Scheffe-Modell wechselt, wenn die Summe Ihrer X-Variablen 1 ergibt. Es sieht so aus, als ob Sie ein No-Intercept-Modell nicht an Kompositionsvariablen anpassen können. Daher ist mein vorheriger Hinweis wichtig für den Fall, dass die Variablen nicht genau 1 ergeben. Vielen Dank an Jian Cao für den Hinweis auf die automatische Anpassung eines Scheffe-Modells in dieser Situation, auch wenn das Mischungsattribut nicht festgelegt ist.
Betreff: Kompositorische erklärende VariablenS,
Die kurze Antwort lautet: JA, JMP Pro (und sogar normales JMP) kann diese Situation angemessen analysieren.
Längere, detailliertere Antwort:
Ihre Situation könnte durchaus als Mischungsmodell angesehen werden. Ein Mischungsmodell ist ein Modell, bei dem die „Faktoren“ (in Ihrem Fall X1 bis Xd) so eingeschränkt sind, dass sie 1 oder 100 % ergeben. Aufgrund dieser Einschränkung können Sie keine Standardregressionstechniken verwenden (Sie haben eine singuläre Matrix, die nicht invertiert werden kann). Es gibt verschiedene mögliche „Tricks“, mit denen sich daraus ein Regressionsproblem entwickeln lässt. Am gebräuchlichsten ist die Verwendung eines sogenannten Scheffe-Modells. Dieses Modell fügt den Schnittpunkt in jeden der Haupteffekte ein. Dadurch wird der Intercept-Term als separat geschätzt „entfernt“. Dies ist der Ansatz, den MIchael.Anderson vorgeschlagen hat. Wenn Sie genau hinschauen, wird die resultierende Tabelle der Varianzanalyse eine Zeile mit der Aufschrift „Testen gegen reduziertes Modell Y = Mittelwert“ enthalten. Dies ist ein Beweis dafür, dass es sich um ein Scheffe-Modell und nicht um ein No-Intercept-Modell handelt. Ein No-Intercept-Modell hätte die Zeile „Testing Against Reduced Model Y = 0“.
Dies ist bei weitem die einfachste Möglichkeit, Ihre Situation zu analysieren, aber Scheffe-Modelle werden anders interpretiert als ein typisches Regressionsmodell (tatsächlich müssen alle Modelle für diese „Kompositionsvariablen“ unterschiedlich interpretiert werden, da Sie keine typische Regression verwenden können). . Die Interpretation würde hier einige Zeit in Anspruch nehmen, da sie in unserem Kurs über Gemischanalyse etwa 30 Minuten dauert. Die Interpretation hängt auch von der Reihenfolge des Modells ab, das Sie anpassen. Wir hoffen, dass Ihnen dies einige Einblicke in das Geschehen gibt und wo Sie anfangen können, zu lernen, wie Sie diese Situation richtig analysieren können.
Betreff: Kompositorische erklärende VariablenHallo Michael,
Zunächst einmal vielen Dank für Ihre Antwort. Ich habe Ihren Ansatz für dieses Problem ausprobiert, aber das Ergebnis ist für mich irgendwie verwirrend, da das Hinzufügen von „Mixture Effect“-Attributen zu meinen kompositorischen erklärenden Variablen nur den Achsenabschnitt im Standard-Regressionsmodell der kleinsten Quadrate unterdrückt hat. Mit anderen Worten: Das Ergebnis des „Mischungseffekts“ ist das gleiche, wenn ich die standardmäßigen kleinsten Quadrate ohne „Mischungseffekt“ und „Kein Schnittpunkt“ hätte. Mein Verständnis ist also, dass es keinerlei Transformationen gibt.
Muss ich eine bestimmte Persönlichkeit auswählen, wenn ich den „Mischungseffekt“ verwenden möchte? Muss ich außerdem alle Nullen in meinen kompositorischen erklärenden Variablen durch eine Zahl wie 0,0001 ersetzen? Meine dritte Sorge ist, ob ich von d kompositorischen erklärenden Variablen d-1 verwenden muss, um Multikolinearität zu vermeiden.
Ich schätze Ihre Antwort wirklich.
S
Betreff: Kompositorische erklärende VariablenHallo Sebastian,
Danke für Ihre Antwort. Ich muss keine Experimente entwerfen. Ich habe meine Daten bereits und muss sie in ein Modell einpassen. Meine Antwort ist eine kontinuierliche Variable und meine erklärenden Variablen sind eine Mischung aus kontinuierlichen und kategorialen Variablen. Vier meiner erklärenden Variablen sind kontinuierliche Kompositionsvariablen, deren Summe 100 % beträgt. Zusammensetzungsvariablen sind singulär und ich habe gelesen, dass erklärende Zusammensetzungsvariablen nicht direkt in einem linearen Regressionsmodell verwendet werden sollten, da jede Inferenzstatistik irreführend sein kann
Ich habe mir die „Fitting Mixture Designs“ in JMP Pro angesehen, aber ich verstehe, dass ihre Modelltypen eher zum Entwerfen von Modellen als zum Anpassen von Modellen dienen.
Am besten
Betreff: Kompositorische erklärende VariablenWenn Sie Ihr Modell in „Modell anpassen“ erstellen, achten Sie auf das rote Dreieck „Attribute“ am unteren Rand des Dialogfelds.Darin finden Sie einen „Mischungseffekt“.Wählen Sie die Spalten aus (sie sollten sich bereits im Bereich „Modelleffekte“ des Dialogfelds befinden), die Teil Ihrer Mischung sein sollen, und wählen Sie das Attribut „Mischungseffekt“ aus.
Am besten,
M
Betreff: Kompositorische erklärende VariablenVielleicht möchten Sie Ihr Problem als Mischungsanalyse interpretieren: Passende Mischungsdesigns
Ich weiß nicht, ob das für Ihre Bewerbung Sinn macht, aber es wäre meine erste Chance.
