So bestimmen Sie den größten Effekt für ordinale logistische RegressionenHallo,
Ich teste die Auswirkungen von vier Variablen auf einen 6-Punkte-Index mithilfe separater ordinaler logistischer Regressionen. Drei meiner Variablen zeigen signifikante Ergebnisse, aber ich kann nicht beurteilen, welche davon den größten Einfluss auf die Wahrscheinlichkeit hat, höhere Ränge in meinem Index zu erreichen.
Ich veröffentliche meine Wirkungszusammenfassungen als Referenz. Meine Variable (LOG MBL Balances) weist den höchsten Log-Wert und das höchste Pseudo-R-Quadrat auf, weist jedoch eine etwas niedrigere Koeffizientenschätzung auf als die anderen beiden Variablen. Meine anderen beiden Variablen (LOG-Vermögenswerte und LOG-Mitgliedschaft) zeigen sehr ähnliche Ergebnisse und beide haben einen höheren absoluten Wert für die durchschnittliche Log-Likelihood als MBL-Salden.
Kann ich sagen, dass LOG MBL, da es eine bessere Anpassung aufweist, die Variable mit dem größten Einfluss auf meinen DV wäre, obwohl sie einen niedrigeren Koeffizienten und einen niedrigeren absoluten Wert für die durchschnittliche Log-Likelihood aufweist? Oder sollte man besser sagen, dass alle drei Variablen ähnliche, bescheidene Auswirkungen auf mein DV haben?
PS Ich habe meine Regressionen sowohl in JMP 14 als auch in Eviews 11 durchgeführt. Kann mir jemand sagen, warum die Koeffizienten in JMP als negativ gemeldet werden, während sie in Eviews als positiv gemeldet werden?
Danke
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenDie PCA ist ein sehr hilfreiches Werkzeug bei der multivariaten Analyse realer Daten. Korrelationen sind schwer zu vermeiden. Hoffentlich liefert allein das PCA einige Einblicke, etwa zu Vermögenswerten und Mitgliedschaft, möglicherweise als Ausdruck einer latenten Variablen.
Ich gehe davon aus, dass mit „a Allerdings liefert Faktor 3 den niedrigsten Erklärungswert (~12 %). „Sie meinen 12 % der Varianz im PCA. Mit Faktor 3 hast du recht. Die Tatsache, dass Faktor 1 die größte Variation der ursprünglichen Variablen darstellt, bedeutet keineswegs, dass er der wichtigste Prädiktor ist. Die Verwendung aller drei Faktoren im Modell bietet eine aussagekräftige Analyse zum Trennen und Testen der Auswirkungen.
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenIch wollte die Gültigkeit der Analyse nicht in Frage stellen. Die Gültigkeit hängt vom Studiendesign und der Auswahl der Variablen ab.Ich habe nur vor der Praxis gewarnt, die manchmal als „P-Wert-Phishing“ bezeichnet wird. Ich behaupte nicht, dass Sie Phishing betreiben. Ich denke, dass Sie eine gute Studie gezeigt haben. Ich möchte nur mein Anliegen klarstellen.
Lassen Sie mich dies anhand eines extremen Beispiels veranschaulichen. Eine fiktive und aggressive Studie sammelt Hunderte von Variablen basierend auf deren Verfügbarkeit und testet jede einzelne anhand einer Antwort. Man geht davon aus, dass viele Variablen (große Anzahl, nicht Anteil) einen signifikanten Effekt haben. Dieses Ergebnis bedeutet lediglich, dass ein Korrelations- oder Assoziationsmuster entdeckt wurde. Es gibt viele Fragen, die mit den Daten, die für dieses Ergebnis verwendet wurden, nicht beantwortet werden können.
- Handelt es sich bei diesem Ergebnis aufgrund der großen Anzahl von Hypothesentests einfach um einen Fehler 1. Art?
- Sind die signifikanten Variablen auf der Grundlage der aktuellen Theorie sinnvoll?
- Sind die Ergebnisse ein weiteres Beispiel dafür? falsche Korrelationen ?
Es müssen neue Daten erhoben werden, um den Glauben an die ersten Ergebnisse zu überprüfen und zu stärken. Valide Studien und Erkenntnisse sind reproduzierbar. Wenn wir die Überprüfung überspringen und uns beeilen, es zu melden, handelt es sich wahrscheinlich um Phishing.
Eine valide Studie ist also eine geplante Untersuchung, die mit einer Theorie beginnt und im Vorfeld die geeigneten Datenerhebungen und Methoden berücksichtigt. Geplante Experimente sind sehr erfolgreiche Studien, wenn auch nicht immer möglich. Eine gültige Studie muss versuchen, empirische Beweise für und gegen die Theorie zu erhalten. Wir hoffen, dass es keine Beweise gegen unsere Theorie gibt, aber wir sind trotzdem gezwungen, danach zu suchen. Wir wollen nicht, dass jemand anderes es für uns findet.
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenIch habe eine Faktorenanalyse für die PCA durchgeführt und ein ordinales Logistikmodell mit drei Faktoren ausgeführt. Ich bin auf sehr interessante Ergebnisse gestoßen.
Es sieht so aus, als ob Vermögenswerte und Mitgliedschaft als höchste Belastungswerte bei Faktor 1 gekoppelt sind (mit einer erklärten Variation von 47 %), die durchschnittlichen Salden sind bei Faktor 2 am höchsten (mit ~25 % erklärt) und Kreditportfolios sind bei Faktor 3 am höchsten .
Obwohl Faktor 3 den niedrigsten Erklärungswert liefert (~12 %), scheint er im Modell die größte praktische Bedeutung zu haben. Liege ich richtig, wenn ich davon ausgehe, dass Faktor 3 den größten praktischen Effekt auf meinen DV hat, ungeachtet der Tatsache, dass er nur 12 % der Variation erklärt?
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenJa, es war besonders schlimm, wenn die Variablen Vermögensgröße und aktuelle Mitgliedschaft zusammenpassten. Dies würde die Aussagekraft des Modells beeinträchtigen und das Vorzeichen einiger Koeffizienten ändern. Ich könnte ein praktikables Modell haben, wenn ich nur drei Variablen testen würde (entweder Vermögenswerte oder Mitgliedschaft weglassen), aber ich hatte das Gefühl, dass es für meine Forschungsziele im Allgemeinen besser wäre, sie separat zu testen.
Glauben Sie, dass die von mir geposteten Modellreihen so wie sie sind gültig interpretierbar sind? (zumindest in Bezug auf Level 1-3)
Vielen Dank für den Tipp bezüglich PCA, ich werde mir das ansehen. Hätten Sie zufällig einen schnellen Link oder ein Tutorial zur Hand, um das zu tun, was Sie erwähnt haben, nämlich die Rotation der größten Komponenten von PCA zur Verwendung als Ersatz IV durch JMP? Keine Sorge, wenn nicht, das war sehr hilfreich!
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenVielen Dank für die Weitergabe dieser Details. Diese Informationen sind hilfreich.
Es gibt einige starke Korrelationen, die jedoch nicht so stark sind, dass man diese IV als überflüssig bezeichnen könnte. Das Zusammenfügen im selben Modell verursachte also viele Probleme? Sie sind, wie Sie sagten, kollinear, aber das sollte die Varianz nur vergrößern. War das Problem mit der Signifikanz? Sie könnten es mit einer PCA versuchen und dann die größten Komponenten drehen, um sie als Faktoren zu speichern. Sie sind möglicherweise interpretierbar, wenn Sie die Belastung untersuchen, und sie könnten als Ersatz-IV dienen und gleichzeitig das Kollinearitätsproblem vermeiden.
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenIch teste die Auswirkung größenbezogener Faktoren auf die Einführung nicht kreditbezogener Geschäftsdienstleistungen bei Kreditgenossenschaften. Meine IV stellen jeweils einen Aspekt der institutionellen Größe dar (Vermögensgröße, Gesamtmitgliedschaft, Kreditportfolio, durchschnittlicher Mitgliedersaldo). Die Pegel werden hier gemessen.
Die Werte für meinen DV werden als Index unter Verwendung von Informationen über die Bereitstellung von Unternehmensdienstleistungen durch jede Kreditgenossenschaft erstellt; Höhere Stufen spiegeln fortschrittlichere Arten von Unternehmensdienstleistungen wider.
Hier ist meine multivariate Matrix
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenWie wurden die IV für die Studie ausgewählt? Wie wurden die Werte ermittelt? Wurden sie festgelegt (z. B. Faktorstufen) oder gemessen (z. B. Kovariaten)?
Welcher Zusammenhang besteht in der IV? Können Sie die multivariate Plattform mit der Korrelationsmatrix und den Streudiagrammen zeigen?
Das Problem besteht darin, dass bei hohen Korrelationen dieser Datensatz die Auswirkungen der IV nicht unabhängig beurteilen kann. Anhand der Daten lässt sich nicht sagen, welches die Wirkung hatte.
Ja, die negative Steigung bedeutet, dass sich die Wahrscheinlichkeit mit zunehmender Prädiktorebene von der niedrigsten zur höchsten Ebene verschiebt.
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenMein Forschungsziel ist es, die jeweiligen Auswirkungen jeder dieser Variablen zu bewerten. Wenn die Ergebnisse redundant sind, gibt es eine andere Möglichkeit, dies zu tun, vielleicht eine andere Art von Modell? Oder bin ich gezwungen, wirklich nur eines auszuwählen?
Kann ich bei einer negativ geneigten logistischen Kurve sagen, dass das Ausmaß des Effekts in die gewünschte Richtung geht (dass Erhöhungen meiner IV mit einer erhöhten Wahrscheinlichkeit höherer Werte verbunden sind?).
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenWir können keine Informationskriterien wie AICc verwenden, um die Signifikanz zu bewerten. Sie sind eher eine probabilistische Aussage. Je kleiner der AICc, desto größer ist die Wahrscheinlichkeit der Parameter angesichts der festen Daten, mit einem Nachteil für die Modellkomplexität. Die Strafe ist für alle Ihre Kandidatenmodelle gleich, der Unterschied liegt also ausschließlich in der Wahrscheinlichkeit.
Wenn sie stark korreliert sind, sind sie redundant. (Keine unabhängigen Informationen) Können Sie eine aus Ihrer bisherigen Theorie oder Ihrem Wissen auswählen?
Sind die Prädiktorniveaus festgelegt oder gemessen?
Die Logistikkurven im Diagramm zeigen eine Abnahme der Wahrscheinlichkeit jeder Ordinalebene mit steigenden Prädiktorebenen. Die Steigung ist negativ. Die ordinale logistische Regression verwendet kumulative Logits. Bei den Quoten geht es nicht um ein Level im Vergleich zu einem anderen, sondern um Logits-Summen im Vergleich zu anderen Summen. Sie können den verallgemeinerten Logit in einer nominalen logistischen Regressionsanalyse verwenden, wenn diese Form der Quote aussagekräftiger oder nützlicher ist.
Sie könnten versuchen, das Quadrat des IV zum Modell hinzuzufügen und AICc zu vergleichen, um zu entscheiden, ob es eine Verbesserung gibt. Die Antwort (Logit) ist möglicherweise nicht linear.
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenDanke für die Antwort,
Ich verstehe, dass jede meiner drei Variablen statistisch signifikant ist und dass sie offenbar einen bescheidenen praktischen Einfluss auf meinen DV haben. Bezieht sich die AICc in diesem Fall hauptsächlich auf die praktische Bedeutung? Wird der größere AICc auf eine größere praktische Bedeutung verweisen?
Ja, die Variablen scheinen tatsächlich miteinander verbunden zu sein. Ich teste sie einzeln, weil sie jeweils eine hohe Multikollinearität zueinander aufweisen. Wenn ich sie daher zusammen ausprobiere, sind meine Ergebnisse sehr verzerrt.
Könnten Sie etwas näher darauf eingehen, was es bedeutet, dass die Logistikkurve abwärts verläuft? Ist das dasselbe, als würde man sagen, dass Einheitenänderungen in meiner IV die Chancen verringern, in Level 1 zu landen (und damit die Chancen erhöhen, in höheren Leveln zu landen)?
Betreff: So bestimmen Sie den größten Effekt für ordinale logistische RegressionenEs kann zu Verwirrung hinsichtlich der praktischen Signifikanz (Effektgröße) und der statistischen Signifikanz (kleiner p-Wert) kommen. Ich würde AICc verwenden, um ein Modell auszuwählen, und dann Informationen über das ausgewählte Modell verwenden, um den Prädiktor zu bewerten.
Wenn Sie die Prädiktoren einzeln testen, besteht auch ein höheres Risiko für einen höheren Typ-I-Fehler. In diesem Fall gibt es nur wenige Prädiktoren, in einer anderen Situation könnten es jedoch viele sein.
Haben Sie versucht, ein Modell mit allen Prädiktoren statt mit einzelnen Modellen zu regressieren?
Sind diese Prädiktoren miteinander verbunden? Es ist interessant, dass sie zu so ähnlichen Regressionsergebnissen führen.
Sie haben eine spärliche Stufe 3 und eine sehr spärliche Stufe 4, also seien Sie bei der Interpretation vorsichtig.
Ich kenne Eviews nicht und unterstütze es nicht, aber vielleicht kann ein anderes Community-Mitglied diese Frage beantworten. Aus den Mosaikdiagrammen können Sie ersehen, dass die Logistikkurve nach unten geneigt ist, daher der negative Koeffizient für den Prädiktor.
