OLS 변수 중요도, 상호 작용 항 및 예기치 않은 오류안녕하세요
연속 DV 및 IV로 간단한 OLS 회귀를 수행하고 있습니다. 예측 프로파일 러를 활성화하고 변수 중요도 평가를 선택하고 주요 효과와 총 효과 및 표준을 갖춘 표를 얻었습니다. 오류. 내 OLS 모델에 교호 작용 항을 추가하면 예측 프로필에 오류가 발생합니다. "변수 중요도에는 데이터 테이블에 두 개 이상의 행이 필요합니다.) 상호 작용 용어 또는 다른 문제로 인한 것인지 확실하지 않습니다.
관련 메모에서 OLS 모델의 예측 프로파일 러 및 상대 변수 중요성이 상호 작용 항을 처리 할 수 있습니까? 상호 작용 용어와 주요 용어의 중요성을 알 수있는 방법이 있습니까? 변수 중요도 표의 주요 및 전체 효과 (상호 작용 항 및 상호 작용 항 없음)를 살펴보면 순 변화가 상호 작용에 기인 할 수 있습니까?
JMP 15.3 pro, Windows 10 사용
다시 : OLS 변수 중요성, 상호 작용 용어 및 예기치 않은 오류프로파일은 비선형 항을 포함하여 전체 모형을 기반으로합니다. 한 변수의 프로파일은 다른 변수를 현재 값으로 고정합니다. 따라서 변수 값의 샘플링은 전체 모델과 함께 사용됩니다.
이 모형에는 세 가지 상호 작용 효과에 대한 항이 포함됩니다.
다시 : OLS 변수 중요성, 상호 작용 용어 및 예기치 않은 오류 mark 응답 주셔서 감사하고 예제를 제공
동일한 모델을 복제하고 2 가지 버전의 스크린 샷을 제공했습니다. 하나는 주 효과 만 있고, 두 번째는 3 가지 상호 작용과 주요 용어를 모두 가지고 있습니다. 학위 상호 작용 모델, 그것은 0.391입니다.이 두 숫자를 자세히 읽는 방법은 무엇입니까? 기본적으로 나는 높이 단독과 높이 * 무게 등의 상대적 중요성을 평가하려고합니다.
1)이 차이는 ~ 0.36은 다른 용어뿐만 아니라 다른 용어와 높이의 상호 작용으로 인한 것입니다.
2) 0.76은 키와 상호 작용의 주요 효과를 포함합니까?
3) 모형에 주 효과와 교호 작용 효과가 명시 적으로 포함되어 있는지 여부에 관계없이 교호 작용 항이 암시 적으로 다른 독립 변수로 취급됩니까?
주 계급과 상호 작용에 계승
주요 효과 만 있고 상호 작용 용어는 없습니다.
다시 : OLS 변수 중요성, 상호 작용 용어 및 예기치 않은 오류총 효과는 요인 또는 예측 변수의 특정 변동에 대한 예측 반응의 변동성과 직접 비례하는 지수로 정의됩니다. 이 인덱스 해당 요인의 상대적 기여도를 모두 반영합니다. 다른 요인들과 함께 .
따라서 1 차 모델을 선택하면 신장, 연령 및 성별의 총 효과는 각각 0.779, 0.217 및 0.01입니다. 반면에 1 차 항과 교차 항이있는 모형을 선택하면 높이, 연령 및 성별의 총 효과는 각각 0.712, 0.515 및 0.216입니다. 나는 기대하지 않을 것이다 중요성 다른 모델에서 동일하게 유지되는 변수 중 하나 모델 간 인덱스의 변경은 중요하지 않습니다.
프로파일 러는 착취 다음의 모델링 단계 선택 단계. 선택 단계 동안 여러 모델에서 AICc의 변화를 모니터링 할 수 있습니다. AICc 이전 또는 이후 단계에서는 유용하지 않습니다. 유사하게, 총 효과 지수는 이전 단계가 아닌 선택된 모델을 이용하는 동안 유용합니다.
당신 이 기능을 사용하여 다른 후보 모델보다 하나의 모델을 선택해서는 안됩니다. 이 기능을 사용하여 선택한 모델을 탐색하고 이해해야합니다. 따라서 동일한 요인을 사용하여 여러 모델에서이 지수의 변화를 보는 것은 의미가 없습니다.
참조하십시오 도움 > JMP 문서 라이브러리 > 프로파일 러 > 3 장 : 프로파일 러 . 이 장에는 변수 중요도 평가 기능을 설명하기위한 전체 섹션이 있습니다. 끝 이 이 장에는 통계 다양한 중요도 계산을위한 세부 사항을 포함하여 세부 사항.
다시 : OLS 변수 중요성, 상호 작용 용어 및 예기치 않은 오류하나의 추가 의견. 당신은 " 이 두 숫자를 자세히 읽는 방법은 무엇입니까? 기본적으로 나는 높이 단독과 높이 * 무게 등의 상대적 중요성을 평가하려고합니다. "이 진술에 대한 한 가지 해석은 선형 통계 모델에 대한 오해입니다. 이는 단순히 단일 모수를 계수로 갖는 항의 선형 조합입니다. 예를 들어, 높이 ^ 2 효과는 없습니다. 높이, 높이 ^ 2, 높이 * 나이 등 여러 용어를 적절히 모델링해야하는 높이 효과 만 있습니다. 높이 효과는 이러한 모든 용어의 조합으로 표시됩니다. 하위 효과에 대해 이야기하는 것은 이치에 맞지 않습니다. 그것들은 단지 선형 모델의 인공물 일뿐입니다. 재귀 파티션, 신경망 또는 가우스 프로세스와 같이 우리가 사용할 수있는 다른 모델에는 그러한 용어가 없습니다.
이 진술에 대한 또 다른 해석은 주어진 요인의 영향을 나타 내기 위해 고차 항을 포함시키는 이점을 알고 싶다는 것입니다. 이전 선택 단계에서 용어에 대한 추론을 사용하여 해당 질문에 대답 할 수 있습니다 (예 : 티 -비율 또는 에프 -ratio) 또는 모델의 AICc입니다.
나를 잘못 해석하지 마십시오. 나는 당신이하고있는 일이 잘못되었다고 말하는 것이 아니라,이 색인을 사용하지 않을 방식으로 사용하고 있다고 말하고 있습니다.
