Verificare la multicollinearità nella regressione logistica ordinaleCiao a tutti! Sto eseguendo un Reg Model logistico nominale (JMP v13) che ha 8 variabili indipendenti. Sono preoccupato per collinearità e confusione. Come posso verificare l'esistenza di questi due problemi? Puoi valutare la multi-collinearità con il fattore di inflazione della variazione in JMP? (gentilmente, come?) Grazie.
Oggetto: Verificare la multicollinearità nella regressione logistica ordinaleSo che questo post ha qualche anno no, ma ho appena riscontrato lo stesso problema in cui un revisore di una rivista ha insistito per vedere VIF per verificare la collinearità in una regressione logistica.Nessuna delle piattaforme di regressione generalizzata (diverse da Normal) fornisce VIF, ma poiché il VIF è completamente una funzione della matrice X, non importa quale tipo di variabile Y hai.Quindi la mia soluzione era eseguire esattamente lo stesso modello utilizzando Fit Model con la personalità Standard Least Squares e utilizzare i valori VIF dalla tabella delle stime dei parametri.
Oggetto: Verificare la multicollinearità nella regressione logistica ordinaleSegno,
Grazie. Tutte le variabili indipendenti utilizzate nel tuo esempio sono continue. Possiamo aspettarci che questo risultato sia vero quando il modello utilizza anche (o solo) variabili categoriali? Gentilmente dimmi un po 'di più della tua spiegazione " Si noti che i predittori vengono centrati automaticamente per ridurre al minimo la correlazione delle stime". Quali predittori? e 'centrato' rispetto a cosa?
--Erick
Oggetto: Verificare la multicollinearità nella regressione logistica ordinaleGrazie Jim. JMP può fornire VIF per variabili indipendenti categoriali?
--ErickOggetto: Verificare la multicollinearità nella regressione logistica ordinalePresumo che tu stia usando il Analizzare > Modello adatto lancio con la personalità Nominal Logistic. Il mio esempio dalla tabella dei dati di esempio di Big Class si adatta a sesso = intercetta + peso + altezza + peso * altezza. Il risultato è:
È disponibile la covarianza delle stime. La diagonale è la varianza delle stime e la diagonale esterna sono le covarianze, che sarebbero zero se non ci fosse collinearità.
Si noti che i predittori vengono centrati automaticamente per ridurre al minimo la correlazione delle stime.
Oggetto: Verificare la multicollinearità nella regressione logistica ordinaleUn paio di suggerimenti per te:
1. Sfrutta appieno le capacità diagnostiche migliorate della progettazione sperimentale della versione 13 prendendo la tua matrice di variabili predittive e "fingendo" se effettivamente non lo fosse, un esperimento progettato e utilizza la piattaforma DOE -> Design Diagnostics -> Evaluate Designs. All'interno del rapporto di quella piattaforma otterrai tutti i tipi di diagnostica, inclusi confusione e correlazioni per le tue variabili predittive basate sulla matrice delle variabili predittive. La piattaforma non richiede che la tua matrice di variabili predittive sia effettivamente un "esperimento progettato". Una caratteristica chiave di questa piattaforma da una prospettiva confusa è che puoi specificare la forma esatta del modello (effetti principali, interazioni a 2 vie, ecc.) che desideri stimare.
2. Utilizzare la piattaforma multivariata per esplorare le correlazioni (a coppie e più complesse utilizzando, ad esempio, l'analisi delle componenti principali) tra la matrice delle variabili predittive.
Ri: Verificare la multicollinearità nella regressione logistica ordinaleSotto Help==>Statistics Index==>multicollinearity punta ai Variation Inflation Factors nella Fit Model Platform, per la determinazione dell'esistenza della multicollinearità.
"Nella regressione in cui i regressori sono altamente correlati, una misura di interesse è quanto è gonfiata la varianza dello stimatore rispetto a quale sarebbe la sua varianza senza l'effetto degli altri regressori. In Fit Model, il VIF è disponibile facendo clic con il pulsante destro del mouse nella tabella del rapporto Prameter Estimates."
