Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola a todos,
Pregunta de novato aquí: estoy haciendo una regresión de variable ficticia usando JMP para un proyecto escolar. Cuando hice una referencia cruzada a la versión de Excel, me di cuenta de que los coeficientes son completamente diferentes a pesar de que las estadísticas t son las mismas.
JMP:
Estas dos imágenes son de JMP y, como puede ver, en comparación con la versión de Excel, las cifras son diferentes a pesar de que estoy usando los mismos atributos.
Y no es por el efecto de interacción como lo hice solo con las variables, sin el efecto de interacción (por ejemplo, COO x Cupones) y los resultados siguen siendo diferentes.
Curiosamente, la versión de Excel parece más correcta que la versión de JMP, alineándose más estrechamente con mi investigación secundaria y primaria.
¿Algún consejo?
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasEl error estándar es 1 por definición.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
Todas las preguntas se responden excepto "cómo encontrar el error estándar del coeficiente beta para cada variable independiente" después de ejecutar una regresión en Fit Model en JMP.
¿Me puede apuntar en la dirección correcta? ¡Gracias!
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasNo hay imágenes adjuntas.
El enlace me lleva a una página que dice "Tiempo de espera agotado".
¿Qué pregunta se responde? ¿Cual es la respuesta? (¡Gracias!)
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
Gracias por volver tan pronto.
Si hace referencia a las imágenes adjuntas, ese es el resultado del análisis después de ejecutar una regresión. Entonces mi pregunta es, ¿hay alguna manera de encontrar el "error estándar total de estimación", si existe tal cosa, ya que actualmente todo lo que puedo ver sobre el error estándar es la estimación de cada coeficiente?
Gracias. Entiendo de dónde vienes.
Otra cosa es, ¿hay alguna manera de encontrar el error estándar del coeficiente beta para cada variable independiente en el análisis del modelo de ajuste? Entiendo que este es el método utilizado para encontrar el coeficiente beta: http://www.jmp.com/support/notes/36/009.html
Saludos,
Fred
[Editado porque encontré la respuesta a una de las preguntas]
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasNecesito alguna aclaración.
- ¿Qué quiere decir con la "estimación del modelo general"? Estimas parámetros. ¿Me puede mostrar un ejemplo donde está disponible? Entonces podría reconocerlo.
- Por lo general, no comparamos estimaciones de parámetros entre modelos. en su lugar usamos selección de modelo criterios (por ejemplo, R cuadrado ajustado, AICc, BIC, Cp de Mallow) para elegir un modelo con mínimo sesgo y varianza y luego inferir sobre las estimaciones de parámetros del modelo seleccionado. No querríamos comparar dos estimaciones de diferentes modelos con una prueba de hipótesis para una diferencia. Se espera que las estimaciones dependan de los otros términos del modelo, excepto en el raro caso de que todas las estimaciones sean ortogonales (no correlacionadas), por lo que diferentes modelos (es decir, diferentes conjuntos de términos) normalmente producirán estimaciones diferentes para cualquier término dado.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
¡Gracias por tu ayuda! Me has ayudado mucho sobre cómo usar JMP.
Estoy en la línea de meta, así que solo dos preguntas más:
1) Parece que no puedo encontrar el error estándar de estimación para el modelo general después de ejecutar la regresión (solo puedo encontrar el error estándar para cada variable independiente). ¿Me puede señalar en la dirección correcta para esto?
2) Digamos que tengo estimaciones de coeficientes generadas a partir de una regresión y las generadas a partir de otra regresión. ¿Puedo ejecutar una prueba t de las estimaciones de coeficientes en JMP?Si es así, ¿tiene algún consejo sobre cómo puedo abordar eso?
Realmente aprecio su ayuda en esto! Gracias.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasPrimero, como dije antes, no necesita crear variables ficticias en JMP. Es un software de análisis y modelado estadístico.
En segundo lugar, cree columnas de datos como describí para los factores (no columnas de variables ficticias separadas para cada nivel de factor) para que cada factor use una columna de datos e ingrese el valor directamente para cada fila.
Tercero, cree una columna (Encuestado, por ejemplo) y complétela con valores que identifiquen al encuestado para cada fila.
Ahora seleccione Analizar > Ajustar modelo. Seleccione la columna de respuesta y haga clic en Y. Seleccione las columnas de factores y haga clic en Agregar o use Cross o una macro para agregar efectos de interacción a su modelo.Seleccione el efecto Encuestado (no la columna de datos), haga clic en el triángulo rojo junto a Atributos y seleccione Efecto aleatorio. Ese cambio es todo lo que tienes que hacer. Simplemente está distinguiendo el tipo de efecto de Respondent (aleatorio) del de los otros factores (fijo).
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
Gracias por la rápida respuesta. Pido disculpas por no haber sido lo suficientemente específico en mi explicación.
Sí tienes razón. Un encuestado aporta más de una observación, pero el análisis interpreta cada observación como independiente y como un encuestado cuando el caso real no es cierto.
Lo que quiero hacer es ajustar los errores estándar para dicha correlación agrupada, en el modelo de ajuste de JMP.
¿Cómo puedo hacerlo desde la consola de abajo (si es desde aquí)? (:
https://www.gsb.stanford.edu/faculty-research/working-papers/when-should-you-adjust-standard-errors-clustering
Saludos,
Fred
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasNo puedo imaginar su estudio y sus datos lo suficientemente bien como para responder a su última pregunta. (Nota: no dije la 'última' pregunta). ¿Qué quiere decir con 'factor en correlación agrupada'? Sé que está relacionado con 'todas las variables ficticias se tratan como entradas independientes' y 'realizado por el mismo encuestado'.
Una fila en una tabla de datos de JMP representa todos los valores que componen una observación. Es decir, conoce el valor de cada variable (independiente y dependiente) para un registro completo. ¿Está diciendo que hay otra variable, Respondent, que identifica la observación, que los encuestados contribuyen con más de una observación, y desea tener en cuenta la variabilidad de Respondent en la respuesta? Si es así, ingrese esta variable en su tabla de datos y agréguela como un término en Ajustar modelo. Asegúrese de seleccionarlo, haga clic en el triángulo rojo para Atributos y seleccione Efecto aleatorio.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
Gracias por tu ayuda una vez más. Agradezco su pronta respuesta y realmente me ayuda a comprender mejor cómo usar JMP para mi trabajo.
Tengo una última pregunta: ¿Existe alguna opción para mí para tener en cuenta la correlación agrupada? El problema es que todas mis variables ficticias se tratan como entradas independientes cuando algunas de ellas las realiza el mismo encuestado, lo que significa que debo tener eso en cuenta.
Entiendo que otro software estadístico permite eso a través de una variable única, pero ¿hay alguna manera de hacerlo con el modelo de ajuste en JMP?
Gracias por tu ayuda.
Saludos,
Fred
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasCorrecto, seleccione las columnas de datos para los factores involucrados en la interacción y haga clic en Cruzar.
Vea el botón Macros para muchos atajos convenientes, como factorial a grado. Con el grado establecido en 2, agregará todos los dos factores posibles utilizando las columnas de datos seleccionadas.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasEl parámetro se interpreta como el cambio en la respuesta de la media. Un valor negativo, de hecho, indica una caída en la variable de respuesta.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasAgregando a la pregunta de novato (perdón), también estoy viendo la interacción entre las diferentes variables con el país de origen.
Desde la perspectiva del software, ¿es así como configuramos el modelo (use el botón 'Cruz') para estudiar el efecto de interacción entre las actualizaciones y el COO - EE. UU.?
Gracias de antemano, Marcos.
Saludos,
Fred
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasHola, Mark,
Gracias por la rápida respuesta. Creo que eso es extremadamente útil.
Solo quiero aprovechar esta oportunidad para preguntar también: ¿Las estimaciones negativas significan que la presencia de esas variables reduce la preferencia (suponiendo que la preferencia es la variable LHS y está codificada como baja = no preferida y alta = preferida), en relación con la línea de base?
Este será un descubrimiento extraño en comparación con Excel, ya que se espera que esas variables aumenten la preferencia.
Re: Diferencia entre JMP y Excel en salidas de regresión de variables ficticiasExcel no es más correcto. Simplemente son diferentes. tiene que ver con el parametrización del modelo lineal. La elección es matemáticamente arbitraria, pero cada forma tiene sus ventajas. usos JMP parametrización de efectos . Se supone que de esa manera las estimaciones de los parámetros son más interpretables. Suman cero, por lo que el intercepto es la respuesta media en el origen. El parámetro para un nivel dado es el cambio de la intersección. Entonces una estimación de -0.55112 por Director de operaciones - EE. UU. = 0 significa que la media para ese nivel es 5,8482381 - 0,55112 = 5,2941181. Los gráficos están destinados a ayudar a interpretar el modelo seleccionado.
Dado que está utilizando valores numéricos con el tipo de modelado nominal correcto, JMP está estimando correctamente el efecto de estos predictores categóricos. Sin embargo, Excel podría interpretar el código numérico como una variable continua, ya que no tiene nada que ver con el tipo de modelado que es fundamental para el modelado y las pruebas estadísticas. Ese modelo podría conducir a una estimación, prueba e interpretación muy diferentes.
Ver Ayuda > Libros > Ajuste de modelos lineales > Apéndice A: Detalles estadísticos > Los modelos factoriales .
