順序ロジスティック回帰の最大効果を決定する方法こんにちは、
個別の順序ロジスティック回帰を使用して、6 点インデックスに対する 4 つの変数の影響をテストしています。 私の変数のうち 3 つは重要な結果を示していますが、これらのどれがインデックスでより高いランクを達成する確率に最も大きな影響を与えるかを評価するのに苦労しています。
参考までに私の効果まとめを載せておきます。 私の変数 (LOG MBL Balances) は、対数価値と擬似 r 二乗が最も高くなりますが、係数推定値は他の 2 つの変数よりわずかに低くなります。 他の 2 つの変数 (LOG アセットと LOG メンバーシップ) は非常に似た結果を示し、どちらも平均対数尤度の絶対値が MBL 残高よりも高くなります。
LOG MBL はより良い適合を示しているため、平均対数尤度の係数と絶対値が低いにもかかわらず、DV に最も大きな影響を与える変数であると言えますか? それとも、3 つの変数すべてが私の DV に対して同様の適度な影響を示したと言ったほうがよいでしょうか?
PS JMP 14 と Eviews 11 の両方で回帰を実行しました。 JMP では係数が負として報告されるのに、Eviews では係数が正として報告される理由を誰か教えていただけますか?
ありがとう
Re: 順序ロジスティック回帰の最大効果を決定する方法PCA は、実際のデータの多変量分析に非常に役立つツールです。 相関関係を避けるのは困難です。 PCA だけで、資産やメンバーシップ、おそらくは潜在的な変数の表現など、何らかの洞察が得られることを願っています。
私は、「a」によって、ただし、係数 3 が最も低い説明値 (~12%) を提供します。 「PCA の分散の 12% を意味します。 要素 3 については正しいです。 因子 1 が元の変数の最大の変動を表すという事実は、それが最も重要な予測子であることを意味するものではありません。 モデル内の 3 つの要素をすべて使用すると、効果を分離してテストするための強力な分析が可能になります。
Re: 順序ロジスティック回帰の最大効果を決定する方法私は分析の妥当性を疑問視するつもりはありませんでした。 妥当性は研究デザインと変数の選択によって異なります。私は、「p 値フィッシング」と呼ばれることもある行為に対して警告を発しただけです。 私はあなたがフィッシングをしていると言っているのではありません。 良い勉強ができたと思います。 私の懸念を明確にしたいだけです。
極端な例で説明しましょう。 架空の積極的な調査では、可用性に基づいて数百の変数を収集し、それぞれを応答に対してテストします。 多くの変数 (比率ではなく大きな数) が重大な影響を与えると結論付けられます。 この結果が意味するのは、相関関係または関連性のパターンが発見されたということだけです。 その結果を得るために使用されたデータでは答えられない疑問がたくさんあります。
- その結果は単に多数の仮説検定による第 1 種過誤の問題なのでしょうか?
- 現在の理論に基づいて、重要な変数は合理的ですか?
- 結果は次の例ですか?偽の相関?
最初の発見に対する信念を検証し強化するには、新しいデータを収集する必要があります。 有効な研究と結果は再現可能です。 検証を省略して急いで報告した場合、それはおそらくフィッシングのケースです。
したがって、有効な研究とは、適切なデータ収集と方法を事前に考慮した、理論から始まる計画的な探索です。 計画された実験は、常に可能であるとは限りませんが、非常に成功した研究です。 有効な研究では、理論に対する肯定的証拠と否定的証拠を経験的に得ようとする必要があります。 私たちの理論に反する証拠がないことを願っていますが、それでもそれを探す義務があります。 他の人に見つけてほしくないのです。
Re: 順序ロジスティック回帰の最大効果を決定する方法PCA で因子分析を実行し、3 つの因子を使用して順序ロジスティック モデルを実行しました。 非常に興味深い結果が得られました。
資産とメンバーシップは、因子 1 で最も高い負荷値として結合されており (47% の変動が説明されています)、平均残高は因子 2 で最も高く (約 25% の説明があり)、融資ポートフォリオは因子 3 で最も高いように見えます。 。
係数 3 は最も低い説明値 (約 12%) を提供しますが、モデル内で実質的に最も大きな意味を持つように見えます。 変動の 12% しか説明できないという事実にもかかわらず、因子 3 が私の DV に最も実際的な影響を及ぼしていると解釈するのは正しいでしょうか?
Re: 順序ロジスティック回帰の最大効果を決定する方法はい、資産サイズと現在のメンバーシップ変数が一緒になった場合は特に悪かったです。 モデルの重要性が損なわれ、一部の係数の符号が変更されてしまいます。 3 つの変数 (アセットまたはメンバーシップのいずれかを除外) だけをテストすれば、実行可能なモデルを作成できますが、一般的には、それらを個別にテストする方が私の研究目的には適しているように感じました。
私が投稿した一連のモデルはそのまま有効に解釈できると思いますか? (少なくともレベル 1 ～ 3 に関しては)
PCA に関するヒントをありがとう、検討してみます。 JMP を介してサロゲート IV として使用するために PCA から最大のコンポーネントを回転させるという、あなたが述べたことを実行するのに便利なクイック リンクまたはチュートリアルをお持ちでしょうか? そうでなくても心配する必要はありません。これは非常に役に立ちました。
Re: 順序ロジスティック回帰の最大効果を決定する方法詳細を共有していただきありがとうございます。 その情報は役に立ちます。
いくつかの強い相関関係がありますが、これらの IV が冗長であると言えるほど強力ではありません。 では、それらを同じモデルにまとめると、多くの問題が発生したということでしょうか？ あなたが言ったように、それらは共線的ですが、それは分散を拡大するだけです。 その問題には重大な意味がありましたか? PCA を試してから、最大のコンポーネントを回転して係数として保存することもできます。 これらは荷重を調べるときに解釈できる可能性があり、共線性の問題を回避しながらサロゲート IV として機能する可能性があります。
Re: 順序ロジスティック回帰の最大効果を決定する方法私は、信用組合における非貸付事業サービスの導入に対する規模に関連する要因の影響をテストしています。 私の IV はそれぞれ、機関の規模 (資産規模、総会員数、融資ポートフォリオ、平均会員残高) のいくつかの側面を表しています。 ここでレベルが測定されます。
私のDVのレベルは、各信用金庫のビジネスサービスの提供情報を利用して指標として構築されています。より高いレベルは、より高度な種類のビジネス サービスを反映します。
これが私の多変量行列です
Re: 順序ロジスティック回帰の最大効果を決定する方法研究のために点滴はどのように選択されましたか? レベルはどのように決定されましたか? それらは設定されたものですか (因子水準など)、または測定されたものですか (共変量など)?
IVの相関関係は何ですか? 相関行列と散布図を含む多変量プラットフォームを表示できますか?
問題は、相関関係が高い場合、このデータセットでは点滴の効果を独立して評価できないことです。 データからはどちらが影響を与えたかを判断することはできません。
はい、負の傾きは、予測子のレベルが増加するにつれて確率が最低レベルから最高レベルにシフトすることを意味します。
Re: 順序ロジスティック回帰の最大効果を決定する方法私の研究目標は、これらの各変数のそれぞれの影響を評価することです。 結果が冗長である場合、これを実行できる他の方法、おそらく別の種類のモデルはありますか? それとも、本当に 1 つだけを選択する必要があるのでしょうか?
負の傾斜のロジスティック曲線では、効果の大きさが望ましい方向にあると言えるでしょうか (IV の増加は、より高いレベルの確率の増加に関連しているということですか?)。
Re: 順序ロジスティック回帰の最大効果を決定する方法AICc などの情報基準を使用して重要性を評価することはできません。 これらはむしろ確率論的な記述です。 AICc が小さいほど、固定データが与えられた場合のパラメーターの尤度は大きくなりますが、モデルの複雑さは犠牲になります。 ペナルティはすべての候補モデルで同じであるため、違いは完全に可能性です。
相関性が高い場合、それらは冗長です。 (独立した情報はありません) 事前の理論や知識から 1 つを選択できますか?
予測レベルは設定されていますか、または測定されていますか?
プロット内のロジスティック曲線は、予測子レベルが増加するにつれて、各順序レベルの確率が減少することを示しています。 傾きは負です。 順序ロジスティック回帰では累積ロジットが使用されます。 オッズは、あるレベル対別のレベルではなく、ロジットの合計と他の合計の合計です。 オッズの形式がより有意義または有用な場合は、名目ロジスティック回帰分析で一般化ロジットを使用できます。
IV の 2 乗をモデルに追加して AICc を比較して、改善があるかどうかを判断できます。 応答 (ロジット) は線形ではない可能性があります。
Re: 順序ロジスティック回帰の最大効果を決定する方法返信いただきありがとうございます、
私は、私の 3 つの変数がそれぞれ統計的に有意であり、私の DV に実際的な影響を適度に与えていると思われることを理解しています。 この場合、AICc は主に実用的な重要性について言及しているのでしょうか? AICc が大きいほど、実際的な重要性がより大きいことを意味するのでしょうか?
はい、確かに変数は相互に関連付けられているようです。 それぞれが互いに高い多重共線性を示すため、それらを個別にテストしているため、一緒に試してみると結果が非常に歪んでしまいます。
ロジスティック曲線が下向きであるということが何を意味するのか、もう少し詳しくお話しいただけますか。 これは、IV のユニットを変更すると、レベル 1 で終了する確率が低下する (したがって、より高いレベルで終了する確率が高くなる) と言っているのと同じですか?
Re: 順序ロジスティック回帰の最大効果を決定する方法実際的な有意性 (効果の大きさ) と統計的有意性 (小さな p 値) について混乱がある可能性があります。 AICc を使用してモデルを選択し、選択したモデルに関する情報を使用して予測子を評価します。
また、予測変数を個別にテストすると、第 1 種過誤が発生するリスクが高くなります。 この場合、予測変数は少数しかありませんが、別の状況では多数の予測変数が存在する可能性があります。
個々のモデルではなく、すべての予測子を使用してモデルを回帰しようとしましたか?
これらの予測変数は相互に関連していますか? 興味深いことに、このような同様の回帰結果が得られます。
まばらなレベル 3 と非常にまばらなレベル 4 があるため、解釈には注意してください。
私は Eviews に詳しくなく、サポートしていませんが、おそらく他のコミュニティ メンバーがこの質問に答えられるでしょう。 モザイク プロットから、ロジスティック曲線が下向きに傾いていることがわかり、予測子の係数が負になります。
