Calcul de la contribution à la variance dans un GLMBonjour,
Lorsque je lance un GLM simple avec disons 4 termes, je voudrais connaître la contribution en pourcentage de chaque terme au modèle. Voici un exemple:
J'ai construit un modèle simple qui inclut la rivière, l'âge du poisson, le sexe du poisson et le facteur de condition K comme variables indépendantes. J'aimerais savoir quelle est la contribution de chacun de ces termes à la variance globale du modèle. J'ai lu qu'une méthode de base consiste à diviser la somme des carrés pour chaque terme par la somme totale des carrés à l'échelle du modèle et à la multiplier par 100. Est-ce exact? J'ai les éléments suivants:
et
La source d'erreur ci-dessus est la somme résiduelle des carrés, n'est-ce pas? Je diviserais donc chacune de ces sommes de carrés, y compris l'erreur, par 964645712, qui est la somme totale des carrés (modèle plus erreur). Cependant, lorsque je fais cela, les pourcentages ne totalisent que 84% et non 100%.
Alors, suis-je sur la bonne voie ou existe-t-il une meilleure méthode? En fin de compte, je voudrais savoir quel terme a le plus d'influence sur les changements de ma variable dépendante.
Merci!
AnalytiqueAutreObjet: Calcul de la contribution à la variance dans un GLMPar défaut, JMP utilise des sommes de carrés de type III, qui ne sont pas additives. La somme des carrés de type III quantifie la quantité de variabilité que le terme explique une fois que tous les autres termes sont pris en compte. Il semble que vous aimeriez avoir la somme des carrés de type I, qui sont additifs.
Pour les voir, cliquez sur le triangle rouge à côté du titre du menu Réponse. choisissez Estimations> Tests séquentiels. Veuillez noter que les tests séquentiels dépendent désormais de la commande. Cela signifie que le modèle de River, Age, Sex et K vous donnera des sommes de carrés différentes de celles des résultats où le modèle est spécifié comme K, Sex, Age et River (comme un exemple possible). C'est pourquoi ils ne sont pas par défaut pour JMP.
Je pense que vous cherchez à déterminer quels termes du modèle sont les plus importants et à classer cette importance. Mais l'importance pourrait être examinée de plusieurs manières. Premièrement, pourrait être quels termes sont les plus significatifs. Pour cela, vous devriez considérer le résumé des effets qui fournit un graphique à barres pour illustrer la signification de chaque terme pour le modèle. La deuxième approche de l'importance consisterait à déterminer les termes qui affectent le plus la réponse. Vous pouvez le déterminer visuellement avec le profileur de prédiction. Notez qu'il existe d'autres outils possibles pour chacune de ces approches et probablement même d'autres façons de considérer l'importance.
