ロジスティック回帰におけるパラメーター化の選択とモデルの比較。フォーラムのメンバー各位
この実データの予測ではなく、仮説検定のロジスティック回帰を使用して、従属バイナリ変数（ターゲット）でこのデータセットを分析しています。
経時的な傾向（年）がより強い（一定）か、または瞬間的な変化が分岐点としてより意味があるかを評価するために、モデルのパラメーター化を利用したいと思います。
個別に使用した場合、モデルは類似しており、継続的なYear変数を使用した方が適している可能性があります。一方、技術的な変化はそもそもモデリングの理由なので無視できません。
相互作用と組み合わせると、すべてのパラメーターは重要ではなくなり（おそらく、多重共線性、小さなサンプルサイズ、分散が多すぎる、またはすべて一緒になる）、時間の経過とともに傾向が変化しないという誤った印象を与えます。
より明確な結論に到達するために、モデルの仕様または比較に関して何か提案がある場合は、お知らせください。
添付されているのは、代替モデルのスクリプトを含むデータテーブルです。
Re：パラメータ化の選択とロジスティック回帰のモデル比較。私があなたのモデルを見るとき、それは年のように見えて、変化は個々に非常に重要です。 クロス（相互作用）効果を使用すると、パラメーターの推定値はどれも重要に見えませんが、モデル全体は重要です。 しかし、年とモデルの変更との間に相互作用を配置する意味がわかりません。変更変数は、年が介入時間の前か後かを報告するだけなので、相互作用を意味するのはあまり意味がありません。。 あなたが求めているのは、その年が前期間と後期間の目標に異なる影響を与えるかどうかです。 これを検討するより直接的な方法は、Y（ターゲット）をX（年）でフィットし、変更（[Pre]および[Post]）を[By]ボックスに入力することです。 これを行うと、その年はPre期間ではそれほど重要ではありませんが、Post期間では非常に重要です。 それがあなたの質問に答えると思います。 2つの期間で勾配（ここでは非線形）が大幅に異なるかどうかのテストが必要な場合、適切なテストが何であるかは正確にはわかりませんが、2つの期間で年の影響が大幅に異なることは明らかだと思います。
Re：パラメータ化の選択とロジスティック回帰のモデル比較。ありがとうございましたゆうたアドバイスのために。
それが理想です。理想的には、全体的な傾向と、2005年のブレーキングポイントがあるかどうかを評価できます。したがって、年とダミー変数の両方を使用すると、正確にそれが可能になるはずでした。このようにして、各期間の勾配の推定と、それらの間の連続性のダミーが得られます。
添付の出力のように「変更」の値の順序を逆にすることで、ポスト期間の勾配を直接推定できます。私も同じように取るに足らない。データを分割すると、全体的に有意なモデルが得られ、勾配はわずかです。どちらが私にこれがあまり強くない傾向であると思いますか？私は正しいですか？
すべての代替モデルから、論理パスが各期間に傾向があり、ブレーキングポイント（傾向の変化）があるかどうかを決定することを提案できますか？
Re：パラメータ化の選択とロジスティック回帰のモデル比較。低いp値を見つけることに集中しすぎていると思います。 あなたのデータはあなたが探しているものを示しているようです-その年は2005年以前には明確な影響はありませんが、その後は大きな影響があります。 これは、前期間と後期間の2つの個別のロジスティック回帰を実行することで容易に確認できます。 さらに何が必要ですか？
Re：パラメータ化の選択とロジスティック回帰のモデル比較。この返信が最初の3つに続くことを願っています！
問題は「変化点分析」のように聞こえ、アプローチはこの手法で使用されるものと非常に似ています。期間1と期間2のスライド式の定義があり、最小AICcなどのメトリックを使用して、動作（たとえば、平均、勾配など）が変化したポイントを決定します。つまり、変化点が変化するので、モデルを再フィットしてメトリックを取得し、次に変化点に対してメトリックをプロットします。
Re：パラメータ化の選択とロジスティック回帰のモデル比較。ゆうた
回答ありがとうございます。これは、モデルにYear変数とChange変数を導入する別の方法があることを望んでいました。これは、2つの独立変数が完全に異なる次元（年齢と性別）を示す古典的なANCOVAではないためです。
@ markbailey＃@ markbailey＃
リードありがとうございますが、私のデータが適切であるかどうかはわかりません。プラットフォームと変数の役割に関してどのように対処するか教えていただけますか？
私のデータが適切かどうか確信が持てませんでした。これは政治学からの実際のデータです（数値は実際であり、変数名は変更されています）。したがって、観察は正確に連続的ではなく、正確な日付を持っていますが、1年以内には意味がありません。また、データの最適な分割を探す必要があるかどうかもわかりません。技術的な変更により「キックイン」に時間がかかった可能性がありますが、その遅れを推定することに関心はありません（これはプロセス監視で非常に重要です）。他の変数を制御しながら、2つの期間（事前と事後）を比較する期間にわたってターゲットの確率を推定する方法が必要です。
Year変数を使用して大まかにトレンドを推定し、それに変化があるかどうかをテストできるか、あるいはそれが前後の単なる低下であるという洞察を得られることを望んでいました。
この議論は、モデリングとコンテキストの全体的な思考プロセスを通過するのに役立ちます。どうもありがとう！
Re：パラメータ化の選択とロジスティック回帰のモデル比較。ロジスティック回帰プラットフォームを使用します。使用する日付年ではなく。のバイナリ変数を作成する限目 （ 前 、後 ）。線形予測子が存在するモデルを近似します日付 、限目 、および期間・日付 。日付に基づいて期間値を変更します。（観測値が日付の昇順で並べ替えられていると想像してください。すべての行を限目 = 後 。最初の適合のため。期間を2番目の日付に進めます。限目 = 前行1の場合、残りは次のように設定されたままです限目 = 後 。まで進行限目 = 前すべての行.. 各適合のAICc基準を収集します。基準と日付をプロットして、変更が発生した場所を確認します。通常どおりにそのモデルを評価します。
すべての行が同じ期間の期間を持つ境界問題を回避したい場合があることに注意してください。
このアプローチが役立つかどうかはわかりません。ただのアイデア。
