OLS Importance variable, termes d'interaction et quelques erreurs inattenduesBonjour
Je fais une régression OLS simple avec DV et IV continus. J'ai activé le profileur de prédiction et j'ai choisi d'évaluer l'importance de la variable et j'ai obtenu le tableau avec les effets principaux et totaux et leur std. les erreurs. Si j'ajoute un terme d'interaction à mon modèle OLS, le profil de prédiction génère une erreur "l'importance de la variable nécessite au moins deux lignes dans la table de données). Je ne sais pas si cela est dû au terme d'interaction ou à un autre problème.
Sur une note connexe, le profileur de prédiction et l'importance relative des variables pour les modèles OLS sont-ils capables de gérer les termes d'interaction ? Y a-t-il moyen de voir l'importance des termes d'interaction et des termes principaux ?En examinant l'effet principal et total (avec termes d'interaction et sans termes d'interaction) du tableau d'importance des variables, le changement net peut-il être attribuable à l'interaction ?
avec JMP 15.3 pro, windows 10
Re : Importance de la variable OLS, termes d'interaction et quelques erreurs inattenduesUn autre commentaire. Vous avez dit, " Comment lire plus dans ces deux nombres? Fondamentalement, j'essaie d'évaluer l'importance relative de la taille seule et de la taille * poids, etc. " Une interprétation de cette affirmation est une mauvaise compréhension du modèle statistique linéaire. Il s'agit simplement d'une combinaison linéaire de termes, chacun avec un seul paramètre comme coefficient. Il n'y a pas d'effet hauteur^2, par exemple. Il s'agit simplement d'un effet de taille qui peut nécessiter la modélisation adéquate de plusieurs termes : taille, taille^2, taille*âge, etc. L'effet de hauteur est représenté par la combinaison de tous ces termes. Cela n'a pas de sens de parler d'effets secondaires. Ils ne sont qu'un artefact du modèle linéaire. Aucun terme de ce type n'existe dans d'autres modèles que nous pourrions utiliser, tels que la partition récursive, le réseau de neurones ou le processus gaussien.
Une autre interprétation de cette déclaration est que vous voulez connaître l'avantage d'inclure des termes d'ordre supérieur pour représenter l'effet d'un facteur donné. Vous pourriez répondre à cette question lors de l'étape de sélection précédente en utilisant l'inférence sur un terme (par exemple, t -rapport ou F -ratio) ou l'AICc pour le modèle.
S'il vous plaît, ne m'interprétez pas mal. Je ne dis pas que ce que vous faites est mal, je dis que vous utilisez peut-être cet index d'une manière pour laquelle il n'était pas destiné à être utilisé.
Re : Importance de la variable OLS, termes d'interaction et quelques erreurs inattenduesL'effet total est défini comme un indice qui est directement proportionnel à la variabilité de la réponse prédite pour une variation donnée du facteur ou du prédicteur. Cet indice reflète la contribution relative de ce facteur à lui seul et en combinaison avec d'autres facteurs .
Donc, si je sélectionne le modèle de premier ordre, l'effet total de la taille, de l'âge et du sexe est de 0,779, 0,217 et 0,01, respectivement. D'autre part, si je sélectionne le modèle avec des termes de premier ordre et des termes croisés, l'effet total de la taille, de l'âge et du sexe est de 0,712, 0,515 et 0,216, respectivement. Je ne m'attendrais pas à importance de n'importe quelle variable pour qu'elle reste la même dans différents modèles. La variation d'un indice entre les modèles n'est pas importante.
Les profileurs sont fournis pour la exploitation l'étape de la modélisation, qui suit la sélection organiser. Nous pourrions surveiller l'évolution de l'AICc sur différents modèles au cours de la phase de sélection. AICc ne serait pas utile dans une étape préalable ou ultérieure. De même, l'indice d'effet total est utile lors de l'exploitation du modèle sélectionné, et non dans une étape préalable.
Toi ne doit pas utiliser cette fonction pour sélectionner un modèle parmi d'autres modèles candidats. Vous devez utiliser cette fonction pour explorer et comprendre le modèle sélectionné. Il n'est donc pas significatif d'examiner les variations de cet indice dans différents modèles utilisant les mêmes facteurs.
S'il te plait regarde Aider > Bibliothèque de documentation JMP > Profileurs > Chapitre 3 : Profileur . Une section entière de ce chapitre est consacrée à l'explication de la fonction d'évaluation de l'importance variable.La fin de ce chapitre comprend une section avec statistique détails, y compris ceux pour le calcul des différents indices d'importance.
Re : Importance de la variable OLS, termes d'interaction et quelques erreurs inattendues@Mark_Bailey merci pour la réponse et fournir l'exemple
J'ai reproduit le même modèle et fourni une capture d'écran de 2 versions, l'une qui n'a que les effets principaux et la seconde qui a les 3 interactions et les termes principaux. L'effet principal de la hauteur dans le modèle sans interactions est de 0,76, alors que dans le factoriel à modèle d'interaction de degré, c'est 0,391.Comment en savoir plus sur ces deux nombres ? Fondamentalement, j'essaie d'évaluer l'importance relative de la taille seule et de la taille * poids, etc.
1)Cette différence ~0,36 est due à l'interaction de la hauteur avec d'autres termes ainsi qu'avec les autres termes
2) 0,76 inclut l'effet principal de la hauteur et des interactions ?
3) Les termes d'interaction sont-ils implicitement traités comme une autre variable indépendante, que le modèle inclue ou non explicitement les effets principaux et d'interaction ?
factoriel à degré principal et interactions
Seuls les effets principaux et aucun terme d'interaction
Re : Importance de la variable OLS, termes d'interaction et quelques erreurs inattenduesLes profils sont basés sur l'ensemble du modèle, y compris les termes non linéaires. Le profil d'une variable fixe simplement les autres variables à leur valeur actuelle. Ainsi, l'échantillonnage des valeurs variables est utilisé avec l'ensemble du modèle :
Ce modèle comprend des termes pour les trois effets d'interaction.
