Problème de test d'absence d'ajustementBonjour, j'ai construit un modèle logistique simple pour prédire les radiations de prêts. Les variables incluses semblent toutes significatives et le modèle a réussi l'ensemble du test du modèle. Cependant, le modèle n'a pas réussi le test d'absence d'ajustement. Donc mes questions sont : 1. Cela implique-t-il que certaines variables ou interactions importantes manquent donc ce n'est pas un bon modèle ? 2. Puis-je toujours utiliser le rapport de cotes/l'estimation pour calculer l'impact de chaque variable ? Je joins les résultats ici. Tous les commentaires ou suggestions sont les bienvenus et vraiment appréciés. Si vous avez des questions, veuillez également me le faire savoir. Merci!
Re: Problème de test d'absence d'ajustementMerci pour le partage de vos idées et la réponse rapide. J'apprécie vraiment cela.
Re: Problème de test d'absence d'ajustementSur la base des 2 valeurs p manquantes d'ajustement, je n'hésiterais pas à supprimer cet effet. J'ai tendance à obtenir des estimations instables avec des régressions logistiques lorsque je suis trop gourmand avec mon modèle par rapport à la taille et à la qualité de l'ensemble de données.
Re: Problème de test d'absence d'ajustementMerci beaucoup! Vos suggestions m'ont beaucoup aidé. J'ai vérifié plus de variables et j'ai constaté que j'en manquais certaines importantes, en particulier le "type de paiement". J'ai donc beaucoup ajusté le modèle. Maintenant, il a réussi le test d'absence d'ajustement. Cependant, je ne sais pas si je dois conserver les "niveaux de risque". Il est marqué comme instable. Si je le supprime, la valeur p du test d'absence d'ajustement passera de 0,971 à 0,817. Avez-vous une suggestion dans un cas comme celui-ci? Merci!
Re: Problème de test d'absence d'ajustementL'échec du test d'absence d'ajustement signifie que le modèle ne capture pas avec précision toutes les tendances apparentes dans les données.En d'autres termes, vous avez toujours un signal qui n'est pas pris en compte.L'ajout de plus d'interactions ou de termes d'ordre supérieur est souvent utile.Parfois, vous pouvez avoir un effet de bâton de hockey avec un plateau ou quelque chose que vous ne pouvez pas vraiment atteindre avec un modèle polynomial régulier.Première étape, j'ajouterais toutes les interactions bidirectionnelles possibles à un terme au carré pour le taux d'intérêt, puis je vérifierais le manque d'ajustement.Si le problème persiste, revenez ici et nous pourrons examiner ce que vous avez.Si le problème de manque d'ajustement est résolu, vous pouvez réduire certains des termes de modèle inutiles en utilisant votre méthode de sélection de modèle préférée.
