29564_de-DE

liliconcom

Überprüfen Sie die ordinale logistische Regression auf Multikollinearität

Hallo an alle! Ich verwende ein nominales logistisches Reg-Modell (JMP v13), das 8 unabhängige Variablen hat. Ich mache mir Sorgen über Kollinearität und Verwirrung. Wie kann ich das Vorhandensein dieser beiden Probleme überprüfen? Können Sie die Multikollinearität mit dem Variationsinflationsfaktor in JMP bewerten? (freundlicherweise, wie?) Danke.

Betreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfen

Ich weiß, dass dieser Beitrag schon ein paar Jahre alt ist, aber ich bin gerade auf das gleiche Problem gestoßen, bei dem ein Zeitschriftenrezensent darauf bestand, VIF zu sehen, um die Kollinearität in einer logistischen Regression zu überprüfen.Keine der verallgemeinerten Regressionsplattformen (außer Normal) liefert VIFs, aber da der VIF vollständig eine Funktion der X-Matrix ist, spielt es keine Rolle, welche Art von Y-Variable Sie haben.Meine Lösung bestand also darin, genau das gleiche Modell unter Verwendung von „Modell anpassen“ mit der Standard-Persönlichkeit der kleinsten Quadrate auszuführen und die VIF-Werte aus der Parameterschätzungstabelle zu verwenden.  

Betreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfen

Markieren,

Danke. Alle in Ihrem Beispiel verwendeten unabhängigen Variablen sind stetig. Können wir erwarten, dass dieses Ergebnis zutrifft, wenn das Modell auch (oder nur) kategoriale Variablen verwendet? Erzählen Sie mir bitte etwas mehr über Ihre Erklärung. Beachten Sie, dass die Prädiktoren automatisch zentriert werden, um die Korrelation der Schätzungen zu minimieren.“ Welche Prädiktoren? und „zentriert“ in Bezug auf was?

--Erick

Betreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfenDanke Jim. Kann JMP VIFs für kategoriale unabhängige Variablen bereitstellen?
--ErickBetreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfen

Ich gehe davon aus, dass Sie das verwenden Analysieren > Modell anpassen Starten Sie mit der Nominal Logistic-Persönlichkeit. Mein Beispiel aus der Beispieldatentabelle „Big Class“ passt zu Geschlecht = Achsenabschnitt + Gewicht + Größe + Gewicht * Größe. Das Ergebnis ist:

Die Kovarianz der Schätzungen ist verfügbar. Die Diagonale ist die Varianz der Schätzungen und die Off-Diagonale sind die Kovarianzen, die Null wären, wenn es keine Kollinearität gäbe.

Beachten Sie, dass die Prädiktoren automatisch zentriert werden, um die Korrelation der Schätzungen zu minimieren.

Betreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfen

Ein paar Vorschläge für Sie:

 

1. Nutzen Sie die verbesserten Möglichkeiten der experimentellen Entwurfsdiagnose in Version 13 voll aus, indem Sie Ihre Matrix von Prädiktorvariablen verwenden und so tun, als ob es sich tatsächlich um ein geplantes Experiment handelte, und die Plattform DOE -> Designdiagnose -> Designs bewerten nutzen. Im Bericht dieser Plattform erhalten Sie alle Arten von Diagnosen, einschließlich Störfaktoren und Korrelationen für Ihre Prädiktorvariablen basierend auf der Prädiktorvariablenmatrix. Die Plattform erfordert nicht, dass Ihre Prädiktorvariablenmatrix tatsächlich ein „geplantes Experiment“ ist. Aus verwirrender Sicht ist ein wesentliches Merkmal dieser Plattform, dass Sie die genaue Modellform (Haupteffekte, Wechselwirkungen in zwei Richtungen usw.) angeben können, die Sie schätzen möchten.

 

2. Verwenden Sie die Multivariate-Plattform, um Korrelationen (paarweise und komplexer, beispielsweise mithilfe der Hauptkomponentenanalyse) zwischen der Matrix der Prädiktorvariablen zu untersuchen.

Betreff: Auf Multikollinearität in der ordinalen logistischen Regression prüfen

Unter Hilfe==>Statistikindex==>Multikollinearität verweist auf die Variation Inflation Factors in der Fit Model Platform zur Bestimmung der Existenz von Multikollinearität.

„Bei der Regression, bei der die Regressoren stark korrelieren, ist ein Maß von Interesse, wie stark die Varianz des Schätzers im Vergleich zu seiner Varianz ohne die Wirkung der anderen Regressoren erhöht wäre. Im Fit-Modell ist der VIF durch einen Kontextklick in der Berichtstabelle „Prameter-Schätzungen“ verfügbar.