Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao a tutti,
Domanda da principiante qui: sto eseguendo una regressione di variabili fittizie utilizzando JMP per un progetto scolastico. Quando ho fatto un riferimento incrociato alla versione di Excel, mi sono reso conto che i coefficienti sono completamente diversi anche se le statistiche t sono le stesse.
JMP:
Queste due immagini sono di JMP e come puoi vedere rispetto alla versione di Excel, le cifre sono diverse anche se sto usando gli stessi attributi.
E non è per l'effetto di interazione come ho fatto solo con le variabili, senza l'effetto di interazione (ad es. COO x Coupon) ei risultati sono ancora diversi.
Stranamente, la versione di Excel sembra più corretta della versione di JMP, allineandosi più strettamente alla mia ricerca secondaria e ad altre ricerche primarie.
Qualche consiglio?
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieL'errore standard è 1 per definizione.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Tutte le domande ricevono risposta tranne "come trovare l'errore standard del coefficiente beta per ogni variabile indipendente" dopo aver eseguito una regressione su Fit Model in JMP.
Puoi indicarmi la giusta direzione? Grazie!
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieNon ci sono immagini allegate.
Il collegamento mi porta a una pagina che dice "Timeout".
A quale domanda viene data risposta? Qual è la risposta? (Grazie!)
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Grazie per essere tornato così prontamente.
Se fai riferimento alle immagini allegate, questo è l'output dell'analisi dopo aver eseguito una regressione. Quindi la mia domanda è: c'è un modo per me di trovare "l'errore standard totale di stima", se esiste una cosa del genere poiché attualmente tutto ciò che posso vedere sull'errore standard è di ciascuna stima del coefficiente.
Grazie. Capisco da dove vieni.
Un'altra cosa è, c'è un modo per trovare l'errore standard del coefficiente beta per ciascuna variabile indipendente nell'analisi del modello di adattamento? Capisco che questo è il metodo utilizzato per trovare il coefficiente beta: http://www.jmp.com/support/notes/36/009.html
Saluti,
Fred
[Modificato perché ho trovato la risposta a una delle domande]
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieAvrei bisogno di un chiarimento.
- Cosa intendi con "stima del modello complessivo?" Si stimano i parametri. Puoi mostrarmi un esempio dove è disponibile? Allora potrei riconoscerlo.
- Generalmente non confrontiamo le stime dei parametri tra i modelli. Noi invece usiamo selezione del modello criteri (ad es. R quadrato aggiustato, AICc, BIC, Cp di Mallow) per scegliere un modello con bias e varianza minimi e quindi dedurre le stime dei parametri del modello selezionato. Non vorremmo confrontare due stime di modelli diversi con un test di ipotesi per una differenza. Ci si aspetta che le stime dipendano dagli altri termini nel modello, ad eccezione del raro caso in cui tutte le stime siano ortogonali (non correlate), quindi modelli diversi (cioè diversi insiemi di termini) di solito darebbero stime diverse per un dato termine.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Grazie per l'aiuto! Mi hai aiutato moltissimo su come usare JMP.
Sono al traguardo, quindi solo altre due domande:
1) Non riesco a trovare l'errore standard di stima per il modello generale dopo aver eseguito la regressione (posso trovare solo l'errore standard per ogni variabile indipendente). Potete indicarmi la giusta direzione per questo?
2) Diciamo che ho le stime dei coefficienti generate da una regressione e quelle generate da un'altra regressione. Sono in grado di eseguire un t-test delle stime dei coefficienti in JMP?Se si, avete qualche consiglio su come posso avvicinarmi a questo?
Apprezzo davvero il tuo aiuto su questo! Grazie.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieInnanzitutto, come ho detto prima, non è necessario creare variabili fittizie in JMP. È un software di analisi statistica e modellazione.
In secondo luogo, crea colonne di dati come ho descritto per i fattori (non colonne di variabili fittizie separate per ciascun livello di fattore) in modo che ogni fattore utilizzi una colonna di dati e inserisci il valore direttamente per ciascuna riga.
Terzo, crea una colonna (Rispondente, ad esempio) e popolala con valori che identificano il rispondente per ogni riga.
Ora seleziona Analizza > Adatta modello. Seleziona la colonna della risposta e fai clic su Y. Seleziona le colonne dei fattori e fai clic su Aggiungi o usa Croce o una macro per aggiungere effetti di interazione al tuo modello.Seleziona l'effetto Rispondente (non la colonna dei dati), fai clic sul triangolo rosso accanto ad Attributi e seleziona Effetto casuale. Quel cambiamento è tutto ciò che devi fare. Stai semplicemente distinguendo il tipo di effetto del Rispondente (casuale) da quello degli altri fattori (fisso).
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Grazie per la risposta rapida. Mi scuso per non essere stato abbastanza specifico nella mia spiegazione.
Sì hai ragione. Un intervistato fornisce più di un'osservazione, ma l'analisi interpreta ogni osservazione come indipendente e come un unico intervistato quando il caso reale non è vero.
Quello che voglio fare è correggere gli errori standard per tale correlazione raggruppata, nel modello di adattamento di JMP.
Come posso farlo dalla console qui sotto (se è da qui)? (:
https://www.gsb.stanford.edu/faculty-research/working-papers/when-should-you-adjust-standard-errors-clustering
Saluti,
Fred
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieNon riesco a immaginare il tuo studio e i suoi dati abbastanza bene per rispondere alla tua ultima domanda. (Nota: non ho detto "ultima" domanda.) Cosa intendi con "fattore nella correlazione cluster?" So che è correlato a "le variabili fittizie sono tutte trattate come voci indipendenti" e "fatte dallo stesso intervistato".
Una riga in una tabella di dati JMP rappresenta tutti i valori che costituiscono un'osservazione. Cioè, conosci il valore di ogni variabile (indipendente e dipendente) per un record completo. Stai dicendo che esiste un'altra variabile, Rispondente, che identifica l'osservazione, che i rispondenti contribuiscono con più di un'osservazione e vuoi tenere conto della variabilità del rispondente nella risposta? In tal caso, inserisci questa variabile nella tabella dei dati e aggiungila come termine in Fit Model. Assicurati di selezionarlo, fai clic sul triangolo rosso per Attributi e seleziona Effetto casuale.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Grazie per il tuo aiuto ancora una volta. Apprezzo la tua pronta risposta e mi aiuta davvero a capire meglio come utilizzare JMP per il mio lavoro.
Ho un'ultima domanda: c'è un'opzione per me per tenere conto della correlazione cluster. Il problema è che le mie variabili fittizie vengono tutte trattate come voci indipendenti quando alcune di esse vengono eseguite dallo stesso intervistato, il che significa che devo tenerne conto.
Capisco che altri software statistici lo consentono attraverso una variabile univoca, ma c'è un modo in cui posso farlo con Fit Model in JMP.
Grazie per l'aiuto.
Saluti,
Fred
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCorretto, selezionare le colonne di dati per i fattori coinvolti nell'interazione e fare clic su Croce.
Vedi il pulsante Macro per molte comode scorciatoie, come Fattoriale a Grado. Con il grado impostato su 2, verranno aggiunti tutti i due fattori possibili utilizzando le colonne di dati selezionate.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieIl parametro viene interpretato come la variazione della risposta rispetto alla media. Un valore negativo, infatti, indica un calo della variabile di risposta.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieAggiungendo alla domanda da principiante (scusatemi), sto anche osservando l'interazione tra le diverse variabili con il paese di origine.
Dal punto di vista di un software, è così che impostiamo il modello (Utilizza il pulsante "Croce") per studiare l'effetto di interazione tra gli aggiornamenti e il COO - USA?
Grazie in anticipo, Marco.
Saluti,
Fred
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieCiao Mark,
Grazie per la risposta rapida. Penso che sia estremamente utile.
Voglio solo cogliere l'occasione per chiedere anche: le stime negative significano che la presenza di quelle variabili riduce la preferenza (supponendo che la preferenza sia la variabile LHS ed è codificata come bassa = non preferita e alta = preferita), rispetto alla linea di base?
Questa sarà una scoperta strana rispetto a Excel poiché ci si aspetta che queste variabili aumentino le preferenze.
Re: Differenza tra JMP ed Excel negli output di regressione di variabili fittizieExcel non è più corretto. Sono solo diversi. Ha a che fare con il parametrizzazione del modello lineare. La scelta è matematicamente arbitraria ma ogni modo ha i suoi vantaggi. utilizza JMP parametrizzazione degli effetti . In questo modo si suppone che le stime dei parametri siano più interpretabili. Sommano a zero, quindi l'intercetta è la risposta media all'origine. Il parametro per un dato livello è il cambiamento dall'intercettazione. Quindi una stima di -0,55112 per COO - USA = 0 significa che la media per quel livello è 5,8482381 - 0,55112 = 5,2941181. I grafici hanno lo scopo di aiutare a interpretare il modello selezionato.
Poiché si utilizzano valori numerici con il tipo di modellazione nominale corretto, JMP stima correttamente l'effetto di questi predittori categoriali. Il codice numerico, tuttavia, potrebbe essere interpretato da Excel come una variabile continua, poiché non ha nulla come il tipo di modellazione che è fondamentale per la modellazione e il test statistici. Quel modello potrebbe portare a una stima, un test e un'interpretazione molto diversi.
Vedere Aiuto > Libri > Montaggio di modelli lineari > Appendice A: Dettagli statistici > I modelli fattoriali .
