R-cuadrado (U) en tablas de contingenciaOigan todos,
Tenía una pregunta sobre el índice de incertidumbre de R cuadrado en las Tablas de Contingecy (colocadas en la misma tabla que DOF y loglikelihood). Actualmente estoy haciendo una investigación en la que he encontrado importancia en mi valor de p (alfa = .05), pero el valor de R cuadrado es cercano a 0. Ahora, soy consciente de que en continuo frente a continuo, se utiliza un valor R para determinar la correlación entre las dos variables.
Mi pregunta es: ¿Qué relevancia tiene el valor de Rsquare en una tabla de contingencia en mis conclusiones?
Pude rechazar la hipótesis nula a través de mi valor p, pero como mencioné anteriormente, el Rsquare es muy cercano a 0, lo que me hace dudar si debo continuar con la hipótesis alternativa en mente.
¡Gracias por adelantado!
Re: R-Square (U) en tablas de contingenciaIncreíble,
¡Gracias!
Re: R-Square (U) en tablas de contingenciaPuedes interpretar el RSquare (U) de la misma manera que interpretarías el R Plaza De una regresión lineal. los R Plaza Se basa en sumas de cuadrados: SS (modelo) / SS (total) . RSquare (U) igualmente es -L (modelo) / -L (reducido) . Le indica la proporción de la incertidumbre total que se tiene en cuenta por el modelo, asumiendo que es el modelo correcto.
Esta relación es más fácil de ver en Ajuste logístico que en Contingencia porque Contingencia solo reporta el -L (modelo) . Este es el análisis de años por peso desde Clase grande muestra de tabla de datos:
los -L (modelo) arriba está etiquetado Diferencia aquí. los -L (total) arriba está etiquetado Reducido aquí. los RSquare (U) es, por lo tanto Diferencia / Reducido = 5.037918 / 67.266350 = 0.0749 .
Es común que un modelo estadísticamente significativo de una respuesta categórica muestre una muy baja RSquare (U) como lo demuestra este ejemplo. Al igual que su modelo continuo. R Plaza Contraparte, indica el desempeño de la predicción condicional sobre la predicción marginal.
Re: Cuadrado R (U) en tablas de contingencia @markbailey ¿Puedes explicar cómo interpretar el valor R ^ 2 (U)? R ^ 2 dice cuánta variabilidad puede explicarse por la ecuación si entiendo correctamente, entonces ¿R ^ 2 (U) dice lo mismo para una regresión logística? Dado que este valor es mucho menor, ¿cómo interpretaría qué tan significativo es? Estoy trabajando con datos ecológicos para el contexto. ¿Sabe si, al informar un modelo, le gustaría usar el R ^ 2 (U) o el R ^ 2 (que encontré en la ventana Ajustar paso a paso), qué número es más relevante para una regresión logística?
Re: Cuadrado R (U) en tablas de contingenciaLa regresión logística se usa con respuestas categóricas. Es análogo a la regresión lineal para una respuesta continua, pero no exactamente la misma. El análisis de regresión lineal de la varianza se basa en la suma de las desviaciones cuadradas. El estadístico de la muestra R cuadrado es la relación entre la suma de cuadrados del modelo y la suma total de cuadrados corregida. Se supone que la suma de cuadrados de error no incluye ningún efecto fijo que no se haya incluido en el modelo. Es decir, supone que el modelo es imparcial. Esto es importante porque la suma de los cuadrados depende del modelo seleccionado. R cuadrado es una medida del rendimiento de la predicción.
El cuadrado R (U) se basa en la probabilidad o incertidumbre logarítmica negativa (U) de los parámetros del modelo. Este estadístico de muestra es la razón de la diferencia en la probabilidad logarítmica de los modelos completos y reducidos a la probabilidad logarítmica del modelo reducido. Al igual que el caso de regresión lineal, se supone que no existe una falta significativa de ajuste por desviación. R cuadrado (U) también es una medida del rendimiento de la predicción.
No veo cómo puedes obtener el cuadrado R para un modelo logístico. El cuadrado R generalizado es un intento de proporcionar un valor más cercano a lo que uno espera de la regresión lineal. ¿Es ese el valor al que te refieres? El significado e interpretación del valor ajustado no está claro.
En términos generales, el cuadrado R (U) para una respuesta categórica es a menudo muy bajo para un modelo con predictores significativos y sin falta de ajuste. Significa que hay una gran incertidumbre en la respuesta pronosticada.
