ダミー変数の回帰出力における JMP と Excel の違いこんにちは、みんな、
初心者向けの質問: 学校のプロジェクトで JMP を使用してダミー変数回帰を行っています。 Excel のバージョンを相互参照すると、t-stats は同じでも、係数がまったく異なることに気付きました。
JMP:
この 2 つの画像は JMP のもので、Excel のバージョンと比較するとわかるように、同じ属性を使用しているにもかかわらず、数値が異なります。
そして、それは相互作用効果 (例: COO x クーポン) なしで、変数だけで行ったような相互作用効果によるものではなく、結果は依然として異なります。
不思議なことに、Excel のバージョンは JMP のバージョンよりも正確に見え、私の二次的およびその他の一次研究とより密接に一致しています。
何かアドバイス？
Re: ダミー変数の回帰出力における JMP と Excel の違い定義上、標準誤差は 1 です。
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
JMPでモデルの当てはめで回帰を実行した後、「各独立変数のベータ係数の標準誤差を見つける方法」を除いて、すべての質問に答えます。
正しい方向に私を向けることができますか？ ありがとう！
Re: ダミー変数の回帰出力における JMP と Excel の違い添付画像はありません。
リンクをクリックすると、「タイムアウトしました」というページに移動します。
どの質問に答えますか? 答えは何ですか？ （ありがとう！）
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
すぐに戻ってきてくれてありがとう。
添付の画像を参照すると、それは回帰を実行した後の分析出力です。 したがって、私の質問は、現在標準誤差について私が見ることができるのは各係数推定値だけであるため、「推定値の合計標準誤差」を見つける方法はありますか?
ありがとう。 私はあなたがどこから来たのか理解しています。
もう 1 つのことは、フィット モデルの分析で各独立変数のベータ係数の標準誤差を見つける方法はありますか? これがベータ係数を見つけるために使用される方法であることを理解しています： http://www.jmp.com/support/notes/36/009.html
よろしく、
フレッド
[質問の1つに対する答えを見つけたので編集]
Re: ダミー変数の回帰出力における JMP と Excel の違い説明が必要です。
- 「モデル全体の見積もり」とはどういう意味ですか? パラメータを推定します。 利用可能な例を教えてください。 そしたらわかるかも。
- 通常、モデル間でパラメーター推定値を比較することはありません。 代わりに使用しますモデル選択基準(たとえば、調整済み R 二乗、AICc、BIC、Mallow の Cp) を使用して、バイアスと分散が最小のモデルを選択し、選択したモデルのパラメーター推定値について推測します。 異なるモデルからの 2 つの推定値を、差異の仮説検定と比較することは望ましくありません。 推定値は、すべての推定値が直交 (無相関) であるというまれなケースを除いて、モデル内の他の項に依存すると予想されるため、通常、異なるモデル (つまり、異なる項のセット) は、任意の項に対して異なる推定値を生成します。
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
ご協力いただきありがとうございます！ JMP の使い方については、大変お世話になりました。
私は最終ラインにいるので、あと 2 つの質問があります。
1）回帰を実行した後、モデル全体の推定値の標準誤差を見つけることができないようです（各独立変数の標準誤差のみを見つけることができます）。 これについて正しい方向に私を向けることができますか？
2）ある回帰から生成された係数推定値と、別の回帰から生成された係数推定値があるとしましょう。 JMPで係数推定値のt検定を実行できますか?もしそうなら、どうすればそれに近づくことができるかアドバイスはありますか？
これについてあなたの助けに本当に感謝します! ありがとう。
Re: ダミー変数の回帰出力における JMP と Excel の違いまず、前述したように、JMP でダミー変数を作成する必要はありません。 これは、統計分析およびモデリング ソフトウェアです。
次に、各因子が 1 つのデータ列を使用し、各行に値を直接入力するように、因子について説明したようにデータ列を作成します (因子レベルごとに個別のダミー変数列ではありません)。
3 番目に、列 (たとえば、回答者) を作成し、各行の回答者を識別する値を入力します。
ここで、[分析] > [モデルの適合] を選択します。 応答列を選択し、[Y] をクリックします。 因子列を選択し、[追加] をクリックするか、クロスまたはマクロを使用して交互作用効果をモデルに追加します。回答者効果 (データ列ではありません) を選択し、[属性] の横にある赤い三角形をクリックして、[ランダム効果] を選択します。 その変更はあなたがしなければならないすべてです。 回答者の効果の種類 (ランダム) と他の要因の効果 (固定) を区別しているだけです。
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
早速のお返事ありがとうございます。 説明が不十分だったことをお詫びします。
はい、あなたが正しい。 回答者は複数の観察に貢献しますが、分析では、各観察が独立したものとして解釈され、実際のケースが真実でない場合は 1 人の回答者として解釈されます。
私がやりたいことは、JMP の適合モデルで、このようなクラスター化された相関関係の標準誤差を調整することです。
以下のコンソールからどのようにすればよいですか (ここからの場合)? (:
https://www.gsb.stanford.edu/faculty-research/working-papers/when-should-you-adjust-standard-errors-clustering
よろしく、
フレッド
Re: ダミー変数の回帰出力における JMP と Excel の違いあなたの研究とそのデータを十分に想像して、あなたの最新の質問に答えることができません. (注: 「最後の」質問とは言いませんでした。) 「クラスター相関の要因」とはどういう意味ですか? 「ダミー変数はすべて独立したエントリとして扱われている」「同じ回答者によって行われている」ことに関連していることはわかっています。
JMP データ テーブルの行は、1 つの観測を構成するすべての値を表します。 つまり、完全なレコードのすべての変数 (独立変数と従属変数) の値がわかります。 別の変数、回答者が存在し、回答者が複数の観察結果に寄与し、回答者の変動性を回答で説明したいということですか? その場合は、この変数をデータ テーブルに入力し、モデルの適合に項として追加します。 必ず選択し、[属性] の赤い三角形をクリックして、[ランダム効果] を選択します。
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
もう一度助けてくれてありがとう。 迅速な返信に感謝し、私の仕事で JMP を使用する方法をよりよく理解するのに本当に役立ちました。
最後に 1 つ質問があります。クラスタ化された相関関係を考慮に入れるオプションはありますか。 問題は、ダミー変数の一部が同じ回答者によって行われた場合、すべてのダミー変数が独立したエントリとして扱われることです。つまり、それを考慮に入れる必要があります。
他の統計ソフトウェアが一意の変数を使用してそれを許可していることは理解していますが、JMP のモデルの適合を使用してそれを行う方法はありますか。
ご協力いただきありがとうございます。
よろしく、
フレッド
Re: ダミー変数の回帰出力における JMP と Excel の違い正解です。交互作用に関係する因子のデータ列を選択し、[クロス] をクリックします。
Factorial から Degree など、多くの便利なショートカットについては、マクロ ボタンを参照してください。 次数を 2 に設定すると、選択したデータ列を使用して、可能なすべての 2 因子が追加されます。
Re: ダミー変数の回帰出力における JMP と Excel の違いパラメータは、平均からの応答の変化として解釈されます。 実際、負の値は応答変数の低下を示します。
Re: ダミー変数の回帰出力における JMP と Excel の違い初心者の質問に加えて（すみません）、さまざまな変数と出身国との相互作用も調べています。
ソフトウェアの観点から、アップデートと COO - USA の間の相互作用効果を調べるために、モデルをどのように設定したのでしょうか (「クロス」ボタンを使用)。
前もってありがとう、マーク。
よろしく、
フレッド
Re: ダミー変数の回帰出力における JMP と Excel の違いハイマーク、
早速のお返事ありがとうございます。 それは非常に役立つと思います。
この機会に質問したいだけです: 負の推定値は、これらの変数の存在が嗜好を低下させることを意味しますか?
これらの変数は好みを高めると予想されるため、Excel と比較すると、これは奇妙な発見です。
Re: ダミー変数の回帰出力における JMP と Excel の違いExcelはより正確ではありません。 彼らはただ違うだけです。 それはと関係がありますパラメータ化線形モデルの。 選択は数学的に任意ですが、それぞれの方法に利点があります。 JMPの使用効果のパラメータ化. その方法は、パラメータ推定値をより解釈可能にするはずです。 それらの合計はゼロになるため、切片は原点での平均応答です。 特定のレベルのパラメーターは、切片からの変化です。 なので見積もりは-0.55112為にCOO - 米国 = 0そのレベルの平均が 5.8482381 - 0.55112 = 5.2941181 であることを意味します。 プロットは、選択したモデルの解釈を支援することを目的としています。
正しい名義モデリング タイプの数値を使用しているため、JMP はこれらのカテゴリ予測変数の効果を正しく推定しています。 ただし、数値コードは、統計モデリングとテストの基礎となるモデリング タイプのようなものを持たないため、Excel によって連続変数として解釈される可能性があります。 そのモデルは、非常に異なる推定、テスト、および解釈につながる可能性があります。
見るヘルプ>書籍>線形モデルの適合>付録 A: 統計の詳細>因子モデル.
