Vérifier la multicolinéarité dans la régression logistique ordinaleBonjour à tous! J'utilise un modèle Reg logistique nominal (JMP v13) qui comporte 8 variables indépendantes. Je suis préoccupé par la colinéarité et la confusion. Comment puis-je vérifier l'existence de ces deux problèmes? Pouvez-vous évaluer la multi-colinéarité avec le facteur d'inflation de variation dans JMP ? (gentiment, comment ?) Merci.
Re : Vérifier la multicolinéarité dans la régression logistique ordinaleJe sais que ce message n'est pas vieux de quelques années, mais je viens de rencontrer le même problème où un critique de journal a insisté pour voir VIF pour vérifier la colinéarité dans une régression logistique.Aucune des plates-formes de régression généralisée (autre que Normal) ne donne de VIF, mais comme le VIF est entièrement fonction de la matrice X, peu importe le type de variable Y que vous avez.Ma solution consistait donc à exécuter exactement le même modèle en utilisant le modèle d'ajustement avec la personnalité des moindres carrés standard et à utiliser les valeurs VIF du tableau des estimations de paramètres.
Re : Vérifier la multicolinéarité dans la régression logistique ordinaleMarquer,
Merci. Toutes les variables indépendantes utilisées dans votre exemple sont continues. Peut-on s'attendre à ce que ce résultat soit vrai lorsque le modèle utilise également (ou uniquement) des variables catégorielles ? Merci de m'en dire un peu plus sur votre explication" Notez que les prédicteurs sont automatiquement centrés pour minimiser la corrélation des estimations". Quels prédicteurs ? et « centré » par rapport à quoi ?
--Erick
Re : Vérifier la multicolinéarité dans la régression logistique ordinaleMerci Jim. JMP peut-il fournir des VIF pour les variables indépendantes catégorielles ?
--ErickRe : Vérifier la multicolinéarité dans la régression logistique ordinaleJe suppose que vous utilisez le Analyser > Ajuster le modèle lancement avec la personnalité de Nominal Logistic. Mon exemple de la table d'échantillons de données Big Class correspond à sexe = interception + poids + taille + poids * taille. Le résultat est:
La covariance des estimations est disponible. La diagonale est la variance des estimations et les hors-diagonales sont les covariances, qui seraient nulles s'il n'y avait pas de colinéarité.
Notez que les prédicteurs sont automatiquement centrés pour minimiser la corrélation des estimations.
Re : Vérifier la multicolinéarité dans la régression logistique ordinaleQuelques suggestions pour vous :
1. Tirez pleinement parti des capacités de diagnostic de conception expérimentale améliorées de la version 13 en prenant votre matrice de variables prédictives et en "simulant" si ce n'était pas le cas, une expérience conçue, et utilisez la plate-forme DOE -> Design Diagnostics -> Evaluate Designs. Dans le rapport de cette plate-forme, vous obtiendrez toutes sortes de diagnostics, y compris la confusion et les corrélations pour vos variables prédictives basées sur la matrice des variables prédictives. La plate-forme n'exige pas que votre matrice de variables prédictives soit en effet une "expérience conçue". Une caractéristique clé de cette plate-forme d'un point de vue déroutant est que vous pouvez spécifier la forme exacte du modèle (effets principaux, interactions bidirectionnelles, etc.) que vous souhaitez estimer.
2. Utilisez la plate-forme multivariée pour explorer les corrélations (par paires et plus complexes à l'aide, disons l'analyse des composants principaux) entre la matrice des variables prédictives.
Re : Vérifier la multicolinéarité dans la régression logistique ordinaleSous Help==>Statistics Index==>la multicolinéarité pointe vers les facteurs d'inflation de variation dans la plate-forme de modèle d'ajustement, pour la détermination de l'existence de la multicolinéarité.
"Dans la régression où les régresseurs sont fortement corrélés, une mesure intéressante est de savoir à quel point la variance de l'estimateur a été gonflée par rapport à ce que serait sa variance sans l'effet des autres régresseurs. Dans Fit Model, le VIF est disponible en cliquant sur le contexte dans le tableau du rapport Prameter Estimates."
