Variabili esplicative composizionali<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ciao
La mia domanda è come implementare la variabile esplicativa compositiva in un modello di regressione lineare usando JMP Pro. Diciamo che abbiamo una variabile dipendente continua Y e abbiamo d variabili esplicative X1, ..., X d che sono rappresentati in percentuale e sono caratterizzati da un vincolo di somma costante (100%). Aitchison nel 1986 ha introdotto il log-contrast per affrontare questo problema, ma ci sono ancora problemi con l'interpretazione dei parametri. Esiste un modello in JMP Pro in grado di gestire il problema delle variabili esplicative composizionali? Ho letto sull'uso della trasformazione del rapporto log-center centrato (clr) o della trasformazione del rapporto logico isometrico (ilr) ma non sono disponibili in JMP
Grazie
Ri: variabili esplicative compositiveMi dispiace per essere pigro. La risposta di DanO è fondamentalmente ciò che volevo dire!
Ri: variabili esplicative compositiveDevo modificare leggermente la mia risposta. Ho notato che se le tue variabili X aggiungono fino a 1, JMP passerà automaticamente a un modello Scheffe. Sembra che non sia possibile adattare un modello senza intercettazione alle variabili di composizione. Quindi la mia nota precedente è importante nel caso in cui le variabili non si sommano esattamente a 1. Grazie a Jian Cao per aver segnalato questo adattamento automatico di un modello Scheffe in questa situazione anche se l'attributo mix non è impostato.
Ri: variabili esplicative compositiveS,
Risposta breve è che SÌ, JMP Pro (e anche JMP regolare) possono analizzare questa situazione in modo appropriato.
Risposta più lunga e dettagliata:
La tua situazione potrebbe certamente essere considerata un modello di miscela. Un modello di miscela è un modello in cui i "fattori" (da X1 a Xd nel tuo caso) sono vincolati e si sommano fino all'1 o al 100%. A causa di questo vincolo, non è possibile utilizzare le tecniche di regressione standard (si dispone di una matrice singolare che non può essere invertita). Esistono diversi "trucchi" possibili che potrebbero essere utilizzati per trasformare questo in un problema di regressione. Il più comune è usare quello che viene chiamato un modello Scheffe. Questo modello metterà l'intercettazione in ciascuno degli effetti principali. Questo "rimuoverà" il termine dell'intercetto come stimato separatamente. Questo è l'approccio che MIchael.Anderson ha proposto. Se si guarda attentamente, l'analisi risultante della tabella delle varianze avrà una riga che dice "Test contro modello ridotto Y = media". Questa è la prova che si tratta di un modello Scheffe, non di un modello senza intercettazione. Un modello senza intercettazione avrebbe la linea "Testing Against Reduced Model Y = 0".
Questo è di gran lunga il modo più semplice per analizzare la situazione, ma i modelli di Scheffe sono interpretati in modo diverso da un tipico modello di regressione (infatti, tutti i modelli per queste "variabili di composizione" dovranno essere interpretati diversamente perché non è possibile utilizzare la regressione tipica) . L'interpretazione richiederebbe un po 'di tempo per passare qui in quanto ci vogliono circa 30 minuti nella nostra classe sull'analisi delle miscele. L'interpretazione dipenderà anche dall'ordine del modello che si sta adattando. Spero che questo ti fornisca alcune informazioni su cosa sta succedendo e sui luoghi in cui iniziare a imparare come analizzare correttamente questa situazione.
Ri: variabili esplicative compositiveCiao Micheal,
Innanzitutto grazie per la risposta. Ho provato il tuo approccio a questo problema, ma il risultato è in qualche modo fonte di confusione per me poiché aggiungere gli attributi "Effetto mix" alle mie variabili esplicative compositive ha solo soppresso l'intercettazione nel modello di regressione dei minimi quadrati standard. In altre parole, il risultato del "Mixture Effect" è lo stesso se avessi i minimi quadrati standard senza "Mixture Effect" e "No Intercept". Quindi la mia comprensione è che non ci sono trasformazioni di alcun tipo.
Devo scegliere una personalità specifica se voglio usare "Mixture Effect"? Devo anche sostituire tutti gli zeri nelle variabili esplicative di composizione con un numero come 0.0001? La mia terza preoccupazione è se tra variabili esplicative compositive, devo usare d-1 per evitare la multicolinearità.
Apprezzo molto la tua risposta.
S
Ri: variabili esplicative compositiveCiao Sebastian,
Grazie per la vostra risposta. Non ho bisogno di progettare alcun esperimento. Ho già i miei dati e ho bisogno di inserirli in un modello. La mia risposta è una variabile continua e le mie variabili esplicative sono una combinazione di variabili continue e categoriali. Quattro delle mie variabili esplicative sono variabili compositive continue che la loro somma è al 100%. Le variabili composizionali sono singolari e ho letto che le variabili esplicative compositive non dovrebbero essere usate direttamente in un modello di regressione lineare perché qualsiasi statistica di inferenza può diventare fuorviante
Ho esaminato i "Disegni di montaggio di mixaggio" in JMP Pro, ma la mia comprensione è che i loro modelli sono per la progettazione di modelli piuttosto che per il montaggio di modelli.
Migliore
Ri: variabili esplicative compositiveQuando si crea il modello in Fit Model, guardare sotto il triangolo rosso Attributi nella parte inferiore della finestra di dialogo. Lì troverai un "effetto misto". Seleziona le colonne (dovrebbero essere già nell'area Effetti del modello della finestra di dialogo) che vuoi far parte della miscela e selezionare l'attributo Effetto di miscelazione.
Migliore,
M
Ri: variabili esplicative compositivePotresti voler interpretare il tuo problema come un'analisi mista: Montaggio di disegni di miscelazione
Non so se questo abbia senso per la tua applicazione, ma sarebbe il mio primo scatto.
