ajustement logistique nominal<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Bonjour, En ajustement logistique nominal. J'obtiens un modèle significatif, tous les paramètres sont significatifs par l'effet LRT. mais toutes les estimations de paramètres ne sont pas significatives.comment est-ce possible ??
Re: Suivi ->Re: ajustement logistique nominalCes avertissements et indicateurs suggèrent un modèle médiocre. Je ne l'utiliserais pas pour prédire les résultats (c'est-à-dire classer). Je corrigerais les mauvaises conditions et vérifierais d'abord les hypothèses du modèle.
Suivi-->Objet : ajustement logistique nominalJe veux juste clarifier cette réponse qui se trouve dans le lien ci-dessous.La question initiale concerne les estimations de paramètres instables dans la régression logistique nominale.
" Il s'agit d'un problème courant. Cela est dû au fait que certains paramètres du modèle deviennent théoriquement infinis. Cela peut se produire lorsque le modèle prédit parfaitement la réponse ou s'il y a plus de paramètres dans le modèle que ce qui peut être estimé par les données (c'est-à-dire avec des données éparses, où « clairsemées » signifie qu'il y a peu ou pas de répétitions de chaque paramètre de les covariables). Une solution consiste à réduire le nombre de variables et/ou à modifier les variables continues en variables catégorielles. Il n’y a aucun moyen de savoir quelle variable éliminer ou catégoriser car toutes sont impliquées simultanément. Le modèle résultant est généralement efficace pour classer les observations, mais les déductions sur les paramètres doivent être évitées. »
Dois-je supposer que même avec des estimations de paramètres instables, biaisées ou remises à zéro, le modèle peut toujours être utilisé ne serait-ce qu'à des fins de classification ?
Re : ajustement logistique nominalMerci, mais je n'utilise pas la version pro, trop d'argent
Re : ajustement logistique nominalMerci beaucoup pour le replay, je vais vérifier si j'ai corrélation entre mes paramètres
Re : ajustement logistique nominalUne autre approche potentielle si la multicolinéarité entre vos variables prédictives pose problème : si vous exécutez JMP Pro, les personnalités Lasso de régression généralisée/Net élastique sont également des options de modélisation viables.
Re : ajustement logistique nominalVos estimations de paramètres sont-elles étiquetées « instables » ? Si tel est le cas, vous voudrez peut-être jeter un œil à cette note JMP : 36686 - Lorsque j'exécute une régression logistique nominale ou ordinale dans JMP®, je reçois des estimations de paramètres étiquetées comme « Instable ».…
Re : ajustement logistique nominalLa cause est la colinéarité entre les variables indépendantes.
Le test global indique simplement que le modèle incluant toutes les variables est meilleur que la moyenne de la réponse.
Le test de signification des paramètres individuels est conditionné à tous les autres paramètres du modèle.
S’il existe une corrélation substantielle entre deux variables indépendantes, toutes deux importantes pour expliquer la réponse, alors aucune ne sera significative par rapport à l’autre dans le modèle.
La colinéarité peut être plus compliquée que la simple corrélation de deux variables.Cela peut arriver si une variable est corrélée à une combinaison linéaire de plusieurs autres variables, ce qui est courant lorsqu'il existe de nombreuses variables indépendantes.
La solution en général consiste à identifier les sous-ensembles de variables fortement corrélées entre elles et à utiliser un sous-ensemble qui ne l’est pas trop.
N'étant pas un expert JMP, plutôt SAS, je laisse à d'autres le soin de vous donner des conseils plus précis sur la manière d'identifier les sous-ensembles fortement corrélés
Certaines idées qui me viennent à l’esprit concernent les corrélations par paires.Une autre idée consiste à utiliser la plateforme de partition pour sélectionner des variables indépendantes candidates.
Si votre objectif est la prédiction, utiliser le partitionnement récursif est une bonne solution.Si votre objectif est l'inférence, l'utilisation d'un partitionnement récursif pour sélectionner des variables biaisera les valeurs p et rendra toute inférence suspecte.
