ajuste logístico nominal<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola, en ajuste logístico nominal. Obtengo un modelo significativo, todos los parámetros son significativos por el efecto LRT. Pero todas las estimaciones de los parámetros no son significativas. ¿¿cómo puede ser??
Re: ajuste logístico nominalGracias, pero no estoy usando la versión pro, demasiado dinero.
Re: ajuste logístico nominalMuchas gracias por la repetición, comprobaré si tengo correlación entre mis parámetros
Re: ajuste logístico nominalOtro problema potencial si la multicolinealidad entre sus variables predictoras es un problema, si está ejecutando JMP Pro, las personalidades de Regresión Generalizada de Lazo / Elastic Net también son opciones viables de modelado.
Re: ajuste logístico nominal¿Están tus estimaciones de parámetros etiquetadas como "inestables"? Si es así, es posible que desee echar un vistazo a esta nota JMP: 36686 - Cuando ejecuto una regresión logística nominal u ordinal en JMP®, recibo estimaciones de parámetros etiquetados como "Inestable" ...
Re: ajuste logístico nominalLa causa es la colinealidad entre las variables independientes.
La prueba general simplemente dice que el modelo que incluye todas las variables es mejor que la media de la respuesta.
La prueba de significación de los parámetros individuales está condicionada por todos los demás parámetros del modelo.
Si hay una correlación sustancial entre dos variables independientes, ambas importantes para explicar la respuesta, ninguna será significativa con la otra en el modelo.
La colinealidad puede ser más complicada que solo dos variables que están correlacionadas. Puede suceder si una variable está correlacionada con una combinación lineal de varias otras variables, lo cual es común cuando una tiene muchas variables independientes.
La solución en general es identificar los subconjuntos de variables que están altamente correlacionados entre sí y usar un subconjunto que no esté demasiado correlacionado.
Al no ser un experto en JMP, más SAS, dejaré que otros le den consejos más específicos sobre cómo identificar los subconjuntos altamente correlacionados
Algunas ideas que vienen a la mente están mirando correlaciones por pares. Otra idea es utilizar la plataforma de partición para seleccionar variables candidatas independientes.
Si su objetivo es la predicción, entonces usar la partición recursiva está bien. Si su objetivo es la inferencia, el uso de la partición recursiva para seleccionar variables sesgará los valores p pequeños y hará que cualquier inferencia sea sospechosa.
Seguimiento -> Re: ajuste logístico nominalSolo quiero aclarar esta respuesta que se encuentra en el enlace a continuación.La pregunta original se relaciona con estimaciones de parámetros inestables en regresión logística nominal.
" Este es un problema común. Es causado por algunos parámetros del modelo que se vuelven teóricamente infinitos. Esto puede suceder cuando el modelo predice perfectamente la respuesta o si hay más parámetros en el modelo de los que pueden estimarse con los datos (es decir, con datos escasos, donde "escaso" significa que hay pocas o ninguna repetición de cada configuración de las covariables). Una solución es reducir el número de variables y / o cambiar las variables continuas a categóricas. No hay forma de saber qué variable eliminar o categorizar porque todas están involucradas simultáneamente. El modelo resultante suele ser bueno para clasificar observaciones, pero deben evitarse inferencias sobre los parámetros ".
¿Debo considerar que incluso con estimaciones de parámetros inestables, sesgadas o con cero, el modelo aún se puede usar aunque solo sea para clasificar?
Re: seguimiento -> Re: ajuste logístico nominalEstas advertencias e indicadores sugieren un modelo deficiente. No lo usaría para predecir resultados (es decir, clasificar). Primero corregiría las malas condiciones y verificaría las suposiciones del modelo.
