Cálculo de la contribución a la varianza en un GLMHola,
Cuando ejecuto un GLM simple con 4 términos, me gustaría saber el porcentaje de contribución de cada término al modelo. Aquí hay un ejemplo:
Construí un modelo simple que incluye el río, la edad de los peces, el sexo de los peces y el factor de condición K como variables independientes. Me gustaría saber cuál es la contribución de cada uno de estos términos a la variación general en el modelo. Leí que 1 método básico es dividir la suma de cuadrados para cada término por la suma total de cuadrados de todo el modelo y multiplicar por 100. ¿Es eso correcto? Tengo lo siguiente:
y
La fuente de error anterior es la suma residual de cuadrados, ¿correcto? Entonces, dividiría cada una de estas sumas de cuadrados, incluido el error, por 964645712, que es la suma total de cuadrados (modelo más error). Sin embargo, cuando hago esto, los porcentajes solo suman 84% y no 100%.
Entonces, ¿estoy en el camino correcto o hay un método mejor? En última instancia, me gustaría saber qué término tiene la mayor influencia en los cambios en mi variable dependiente.
¡Gracias!
AnalíticaOtroRe: Calcular contribución a la varianza en un GLMDe manera predeterminada, JMP usa sumas de cuadrados de tipo III, que no son aditivas. La suma de cuadrados de tipo III cuantifica la cantidad de variabilidad que el término explica una vez que se tienen en cuenta todos los demás términos. Parece que le gustaría tener la suma de cuadrados tipo I, que son aditivos.
Para verlos, haga clic en el triángulo rojo junto al título del menú Respuesta. elija Estimaciones> Pruebas secuenciales. Tenga en cuenta que las pruebas secuenciales ahora dependen del orden. Esto significa que el modelo de River, Age, Sex y K le dará diferentes sumas de cuadrados que los resultados donde el modelo se especifica como K, Sex, Age y River (como un posible ejemplo). Es por eso que no son los predeterminados para JMP.
Creo que está buscando determinar qué términos en el modelo son más importantes y clasificar por orden esa importancia. Pero la importancia podría considerarse de dos maneras. Primero, podría ser qué términos son más significativos. Para esto, debe considerar el Resumen de efectos que proporciona un gráfico de barras para ilustrar la importancia de cada término para el modelo. El segundo enfoque de importancia sería considerar qué términos afectan más a la respuesta. Puede determinar esto visualmente con el Perfil de predicción. Tenga en cuenta que existen otras herramientas posibles para cada uno de estos enfoques y probablemente incluso otras formas de considerar la importancia.
