순서형 로지스틱 회귀 분석의 최대 효과를 확인하는 방법안녕하세요,
별도의 순서형 로지스틱 회귀 분석을 사용하여 6점 지수에서 4개 변수의 효과를 테스트하고 있습니다. 내 변수 중 3개는 유의미한 결과를 보여 주지만 이들 중 어느 것이 내 지수에서 더 높은 순위를 달성할 확률에 가장 큰 영향을 미치는지 평가하는 데 어려움을 겪고 있습니다.
참고용으로 효과 요약을 게시하고 있습니다. 내 변수(LOG MBL Balances)는 가장 높은 로그 가치와 가장 높은 의사 r-제곱을 나타내지만 다른 두 변수보다 계수 추정치가 약간 낮습니다. 다른 두 변수(LOG 자산 및 LOG 멤버십)는 매우 유사한 결과를 나타내며 둘 다 MBL 잔액보다 평균 로그 가능성에 대한 절대 값이 더 높습니다.
LOG MBL이 더 나은 적합성을 나타내기 때문에 평균 로그 가능성에 대한 계수와 절대값이 더 낮음에도 불구하고 내 DV에 가장 큰 영향을 미치는 변수가 될 것이라고 말할 수 있습니까? 아니면 세 가지 변수 모두 내 DV에 유사하고 중간 정도의 영향을 미친다고 말하는 것이 더 낫습니까?
추신 JMP 14와 Eviews 11 모두에서 회귀 분석을 실행했습니다. 계수가 JMP에서는 음수로 보고되고 Eviews에서는 양수로 보고되는 이유를 알려주실 수 있나요?
감사합니다
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법PCA는 실제 데이터의 다변량 분석에 매우 유용한 도구입니다. 상관관계를 피하기는 어렵습니다. PCA만으로도 자산 및 멤버십과 같은 일부 잠재 변수의 표현과 같은 통찰력을 제공할 수 있기를 바랍니다.
나는 "a"라고 가정한다. 요인 3이 가장 낮은 설명 값(~12%)을 제공하지만 " PCA 분산의 12%를 의미합니다. 당신은 요소 3에 대해 정확합니다. 요인 1이 원래 변수의 가장 큰 변동을 나타낸다는 사실이 이것이 가장 중요한 예측 변수라는 의미는 아닙니다. 모델의 세 가지 요인을 모두 사용하면 효과를 분리하고 테스트하기 위한 강력한 분석이 제공됩니다.
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법분석의 타당성에 대해 의문을 제기하려는 의도는 없었습니다. 타당성은 연구 설계와 변수 선택에 따라 달라집니다.나는 때때로 "p-값 피싱"이라고 불리는 관행에 대해 경고했을 뿐입니다. 나는 당신이 피싱을 하고 있다고 제안하는 것이 아닙니다. 나는 당신이 좋은 연구를 보여주었다고 생각합니다. 나는 내 우려를 분명히하고 싶습니다.
극단적인 예를 들어 설명하겠습니다. 허구적이고 공격적인 연구에서는 가용성을 기반으로 수백 개의 변수를 수집하고 각 변수를 응답에 대해 테스트합니다. 많은 변수(비율이 아닌 큰 수)가 유의미한 영향을 미치는 것으로 결론지어집니다. 그 결과가 의미하는 것은 상관관계 또는 연관성의 패턴이 발견되었다는 것입니다. 해당 결과를 얻는 데 사용된 데이터로는 답할 수 없는 질문이 많이 있습니다.
- 그 결과는 단순히 많은 수의 가설 검정으로 인한 제1종 오류의 문제입니까?
- 현재 이론에 근거하여 유의미한 변수가 합리적인가?
- 결과는 다음의 또 다른 예입니까? 가짜 상관관계 ?
초기 결과에 대한 믿음을 검증하고 강화하려면 새로운 데이터를 수집해야 합니다. 유효한 연구와 결과가 재현 가능합니다. 인증을 건너뛰고 성급하게 신고한다면 피싱일 확률이 높습니다.
따라서 유효한 연구는 이론으로 시작하여 적절한 데이터 수집과 방법을 사전에 고려하는 계획된 탐구입니다. 설계된 실험은 항상 가능한 것은 아니지만 매우 성공적인 연구입니다. 유효한 연구는 이론에 대한 찬성과 반대의 경험적 증거를 얻으려고 노력해야 합니다. 우리는 우리 이론에 반하는 증거가 없기를 바라지만, 여전히 그것을 찾아야 할 의무가 있습니다. 우리는 다른 사람이 우리를 위해 그것을 찾는 것을 원하지 않습니다.
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법PCA에 대한 요인 분석을 수행하고 세 가지 요인을 사용하여 순서형 로지스틱 모델을 실행했습니다. 나는 매우 흥미로운 결과를 발견했습니다.
자산과 멤버십이 요인 1(47% 변동 설명)에서 가장 높은 로딩 값으로 결합되고, 평균 잔액은 요인 2(~25% 설명)에서 가장 높으며, 대출 포트폴리오는 요인 3에서 가장 높은 것으로 보입니다. .
요인 3은 가장 낮은 설명 값(~12%)을 제공하지만 모델에서 가장 큰 실제적 중요성을 갖는 것으로 보입니다. 요인 3이 변동의 12%만 설명한다는 사실에도 불구하고 내 DV에 가장 큰 실제 영향을 미치는 것으로 해석하는 것이 맞습니까?
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법네, 자산 규모와 현재 멤버십 변수가 함께 있을 때마다 특히 나빴습니다. 모델의 중요성이 엉망이 되고 일부 계수의 부호가 변경됩니다. 세 가지 변수(자산 또는 멤버십 제외)만 테스트하면 실행 가능한 모델을 가질 수 있지만 일반적으로 내 연구 목표에는 별도로 테스트하는 것이 더 적합하다고 느꼈습니다.
제가 포스팅한 일련의 모델들이 있는 그대로 타당하게 해석될 수 있다고 생각하시나요? (적어도 1~3레벨에서는)
PCA에 관한 팁을 제공해 주셔서 감사합니다. 이에 대해 조사하겠습니다. JMP를 통해 IV 대용으로 사용하기 위해 PCA에서 가장 큰 구성 요소를 회전하면서 언급한 작업을 수행하는 데 도움이 되는 빠른 링크나 튜토리얼이 있습니까? 그렇지 않더라도 걱정하지 마세요. 매우 도움이 되었습니다!
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법세부 사항을 공유해 주셔서 감사합니다. 그 정보는 도움이 됩니다.
몇 가지 강력한 상관관계가 있지만 이러한 IV가 중복된다고 할 만큼 강력하지는 않습니다. 그럼 같은 모델로 합치면 문제가 많이 생기나요? 당신이 말했듯이 그것들은 동일선상에 있지만 이는 분산을 팽창시킬 뿐입니다. 문제가 중요한 것이었나요? PCA를 시도한 다음 가장 큰 구성 요소를 회전하여 요인으로 저장할 수 있습니다. 로딩을 검사할 때 해석 가능하며 공선성 문제를 피하면서 대리 IV 역할을 할 수 있습니다.
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법신용협동조합의 비대출업무 서비스 도입에 있어 규모 관련 요인의 영향을 테스트하고 있습니다. 내 IV는 각각 기관 규모의 일부 측면(자산 규모, 총 회원 수, 대출 포트폴리오, 평균 회원 잔액)을 나타냅니다. 여기의 수준이 측정됩니다.
내 DV 수준은 각 신용조합의 비즈니스 서비스 제공에 대한 정보를 사용하여 지표로 구성됩니다. 수준이 높을수록 고급 비즈니스 서비스가 반영됩니다.
여기 내 다변량 행렬이 있습니다
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법연구를 위해 IV는 어떻게 선택되었나요? 레벨은 어떻게 결정되었나요? 설정되었거나(예: 요인 수준) 측정되었습니까(예: 공변량)?
IV의 상관관계는 무엇입니까? 상관 행렬과 산점도를 사용하여 다변량 플랫폼을 표시할 수 있습니까?
문제는 상관관계가 높으면 이 데이터 세트가 IV의 효과를 독립적으로 평가할 수 없다는 것입니다. 어느 것이 효과가 있었는지 말하기에는 데이터를 사용할 수 없습니다.
예, 음의 기울기는 예측 변수 수준이 증가함에 따라 확률이 가장 낮은 수준에서 가장 높은 수준으로 이동한다는 것을 의미합니다.
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법나의 연구 목표는 이러한 각 변수의 각각의 효과를 평가하는 것입니다. 결과가 중복되는 경우 이를 수행할 수 있는 다른 방법이 있습니까? 아마도 다른 종류의 모델이 있습니까? 아니면 실제로 하나만 선택해야 합니까?
음의 경사 로지스틱 곡선을 사용하면 효과의 크기가 원하는 방향에 있다고 말할 수 있습니다(IV의 증가는 더 높은 수준의 확률 증가와 관련이 있습니까?).
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법중요성을 평가하기 위해 AICc와 같은 정보 기준을 사용할 수 없습니다. 그것은 확률론적인 진술에 가깝습니다. AICc가 작을수록 고정 데이터가 주어졌을 때 매개변수의 가능성이 커지며 모델 복잡성에 대한 페널티가 발생합니다. 페널티는 모든 후보 모델에 대해 동일하므로 차이는 전적으로 가능성입니다.
상관관계가 높으면 중복됩니다. (독립적인 정보 없음) 이전 이론이나 지식 중에서 하나를 선택할 수 있습니까?
예측변수 수준이 설정되거나 측정됩니까?
그림의 로지스틱 곡선은 예측 변수 수준이 증가함에 따라 각 순서 수준의 확률이 감소하는 것을 보여줍니다. 기울기는 음수입니다. 순서형 로지스틱 회귀 분석에서는 누적 로짓을 사용합니다. 확률은 한 수준 대 다른 수준에 대한 것이 아니라 로지트 합계 대 다른 합계에 대한 것입니다. 해당 확률 형태가 더 의미 있거나 유용한 경우 명목형 로지스틱 회귀 분석에서 일반화된 로짓을 사용할 수 있습니다.
IV의 제곱을 모델에 추가하고 AICc를 비교하여 개선이 있는지 확인할 수 있습니다. 반응(로짓)이 선형이 아닐 수도 있습니다.
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법답장을 보내 주셔서 감사합니다,
나는 세 가지 변수 각각이 통계적으로 유의미하며 내 DV에 약간의 실제 영향을 미치는 것으로 보인다는 것을 이해합니다. 이 경우 AICc는 주로 실질적인 중요성을 언급합니까? AICc가 클수록 실제적인 의미도 더 커집니까?
예, 변수는 실제로 서로 연관되어 있는 것 같습니다. 각각이 서로 높은 다중 공선성을 나타내기 때문에 개별적으로 테스트하고 있습니다. 따라서 함께 테스트하면 결과가 매우 왜곡됩니다.
물류 곡선이 우하향한다는 것이 무엇을 의미하는지 좀 더 말씀해 주시겠습니까? 이는 내 IV의 단위 변경으로 인해 레벨 1이 될 확률이 감소한다는 의미(따라서 더 높은 레벨이 될 확률이 높아짐)와 동일합니까?
Re: 순서형 로지스틱 회귀 분석의 가장 큰 효과를 확인하는 방법실제 유의성(효과 크기)과 통계적 유의성(작은 p-값)에 대해 혼동이 있을 수 있습니다. AICc를 사용하여 모델을 선택한 다음 선택한 모델에 대한 정보를 사용하여 예측 변수를 평가합니다.
또한 예측 변수를 개별적으로 테스트하면 더 높은 제1종 오류가 발생할 위험이 더 높아집니다. 이 경우에는 예측변수가 몇 개밖에 없지만 다른 상황에서는 예측변수가 많을 수 있습니다.
개별 모델 대신 모든 예측 변수를 사용하여 모델을 회귀하려고 했습니까?
이러한 예측 변수는 서로 연관되어 있습니까? 유사한 회귀 결과를 산출한다는 점이 흥미롭습니다.
희소 수준 3과 매우 희소 수준 4가 있으므로 해석에 주의하세요.
저는 Eviews에 익숙하지 않고 지원하지도 않습니다. 하지만 다른 커뮤니티 회원이 이 질문에 답할 수 있을 것입니다. 모자이크 플롯에서 로지스틱 곡선이 아래쪽으로 기울어져 예측 변수의 계수가 음수임을 알 수 있습니다.
