Variabili di ponderazione nei modelli di regressioneMi chiedevo come ponderare le variabili in un modello di regressione. Ho alcune variabili che potrebbero contribuire maggiormente al mio modello e desidero trovare un modo per far sì che JMP valuti queste variabili più di altre variabili. So che posso inserirli prima in un modello di regressione graduale. Voglio farlo, ma voglio anche ponderare alcune variabili più di altre.
Modellazione statistica avanzataRicerche sui consumatori e sul mercatoRi: Variabili di ponderazione nei modelli di regressioneStudio interessante. Inoltre @Mark_Bailey punti, ho alcune domande per te:
Sembra che tu stia cercando di prevedere in quale categoria rientrerà il soggetto (normale o TBI) in base al volume del cervello.
- Esiste un modo per rendere le categorie più continue o almeno ordinali?
- Cosa intendi per "appartenenza al gruppo"? Quali metriche vengono utilizzate per effettuare questa categorizzazione o si tratta di un giudizio soggettivo? Ancora una volta, hai considerato gli errori del sistema di misurazione?
- Come si misura il volume del cervello e hai considerato gli errori del sistema di misurazione?
- Cosa sono le anomalie del volume cerebrale? Quali misurazioni sono state utilizzate per determinarli? Esistono altre misure che potrebbero essere utilizzate al posto del volume del cervello (ad esempio, densità, dimensioni, peso, EEG)
- Quali sono le "variabili del volume cerebrale"?
- Cosa fanno già i modelli predittivi? Quali sono questi modelli?
Come già suggerito, il modello avrà parametri associati a ciascuna variabile. Questi parametri sono già "ponderati" in termini di effetto sulle variabili di risposta.
Ri: Variabili di ponderazione nei modelli di regressioneInoltre, esistono molti altri tipi di modelli per la previsione. Due metodi che suggerisco sono il partizionamento ricorsivo e le reti neurali. Il primo è particolarmente utile per l'interpretazione e il secondo è particolarmente utile per la precisione.
In JMP Pro ne sono disponibili altri che possono migliorare significativamente le prestazioni della previsione. Perfavore guarda Guida > Libreria della documentazione JMP > Modellazione predittiva guida.
Ri: Variabili di ponderazione nei modelli di regressioneStai utilizzando la "regressione lineare" per modellare la risposta e prevedere il risultato. Il predittore lineare è una combinazione lineare. I parametri o coefficienti sono già pesi nella somma o nell'accumulo. Si basano sull'evidenza empirica fornita dai dati (osservazioni). Potresti voler centrare e ridimensionare le variabili predittive se si verificano su scale molto diverse (ad esempio, magnitudo).
Il fatto di avere più di un predittore che cambia di concerto con l'esito del paziente significa che hai un problema di collinearità, che gonfia la varianza delle stime dei parametri. Le stime sono instabili e possono variare notevolmente anche con un piccolo cambiamento nei dati (ad esempio, un'osservazione o nuovi dati). Centrare e ridimensionare i predittori aiuta ma potrebbe non eliminare il problema. Potresti scegliere di utilizzare un predittore dominante per evitare questo problema. Se le informazioni in questi predittori non sono del tutto ridondanti, potresti prendere in considerazione l'utilizzo dell'analisi delle componenti principali per sintetizzare predittori nuovi e indipendenti, che potrebbero anche migliorare l'interpretazione, a seconda del caricamento delle variabili originali sui nuovi predittori.
Ri: Variabili di ponderazione nei modelli di regressioneAbbiamo misurazioni del volume cerebrale su 80 soggetti di controllo normali e 54 pazienti con lesioni cerebrali traumatiche (TBI).Stiamo cercando di creare un modello in grado di prevedere l'appartenenza al gruppo (normale rispetto a TBI) sulla base delle misurazioni del volume cerebrale.
Nella nostra ricerca precedente, abbiamo scoperto che il nostro gruppo di pazienti con trauma cranico aveva molteplici anomalie del volume cerebrale.Quindi abbiamo voluto utilizzare le dimensioni degli effetti di quello studio per ponderare le variabili del volume del cervello per il nostro modello predittivo, ponderando le variabili proporzionalmente alle loro dimensioni degli effetti.
C'è un modo per farlo?Pensi che sarebbe d’aiuto, al di là di ciò che già fanno i modelli predittivi?
Ri: Variabili di ponderazione nei modelli di regressioneNella regressione, la ponderazione si applica solitamente alle osservazioni, non alle variabili. La piattaforma di regressione generalizzata in JMP Pro offre diverse tecniche di regressione penalizzata (la penalità è come un peso inverso) per ridurre la stima del parametro per ciascun effetto. Il peso, però, si basa sui dati. Non viene fornito come un'altra variabile o input dell'utente.
Qual è la base per determinare il peso di una variabile? Come hai determinato che alcune variabili hanno più peso e quanto più peso? Qual è la forma o la natura del peso di una variabile?
