回帰モデルの変数の重み付け回帰モデルで変数に重みを付ける方法を疑問に思っていました。 モデルに大きく寄与する可能性のある変数がいくつかあり、JMP でこれらの変数を他の変数よりも重視する方法を見つけたいと考えています。 まずそれらを段階的回帰モデルに入力できることはわかっています。 そうしたいのですが、一部の変数を他の変数よりも重み付けしたいとも考えています。
高度な統計モデリング消費者および市場調査Re: 回帰モデルの変数の重み付け興味深い研究です。 に加えて@Mark_Baileyのポイントについて、いくつか質問があります。
脳の体積に基づいて被験者がどのカテゴリ (正常または外傷性脳損傷) に分類されるかを予測しようとしているようです。
- カテゴリをより連続的、または少なくとも順序的にする方法はありますか?
- 「グループメンバーシップ」とは何を意味しますか？ この分類にはどのような指標が使用されますか、それとも主観的な判断ですか? もう一度、測定システムの誤差を考慮しましたか?
- 脳の容積をどのように測定しますか?また、測定システムの誤差を考慮しましたか?
- 脳容積異常とは何ですか? これらを決定するためにどのような測定が使用されましたか? 脳容積の代わりに使用できる他の尺度はありますか (例、密度、寸法、重量、EEG)
- 「脳容積変数」とは何ですか?
- 予測モデルはすでに何を行っているのでしょうか? それらのモデルは何ですか?
すでに示唆したように、モデルには各変数に関連付けられたパラメーターがあります。 これらのパラメータは、応答変数への影響という点ですでに「重み付け」されています。
Re: 回帰モデルの変数の重み付けまた、他にも多くのタイプの予測モデルがあります。 私が提案する 2 つの方法は、再帰的パーティショニングとニューラル ネットワークです。 前者は解釈に特に優れており、後者は正確性に特に優れています。
JMP Pro には、予測のパフォーマンスを大幅に向上させる機能が他にもあります。 参照してください「ヘルプ」 > 「JMP ドキュメントライブラリ」 > 「予測モデリング」ガイド。
Re: 回帰モデルの変数の重み付け「線形回帰」を使用して応答をモデル化し、結果を予測しています。 線形予測子は線形結合です。 パラメータまたは係数は、すでに合計または累積における重みになっています。 これらはデータ (観察) によって提供される経験的証拠に基づいています。 予測変数が非常に異なるスケール (つまり、大きさ) で発生する場合は、予測変数を中心に配置してスケールすることができます。
患者の転帰に応じて変化する予測変数が複数あるという事実は、パラメーター推定値の分散を増大させる共線性の問題があることを意味します。 推定値は不安定で、データの小さな変化 (1 つの観測値や新しいデータなど) によっても大幅に変化する可能性があります。予測子の中心化とスケーリングは役立ちますが、問題を解決できない可能性があります。 この問題を回避するには、1 つの支配的な予測変数を使用することを選択できます。 これらの予測子の情報が完全に冗長ではない場合は、主成分分析を使用して新しい独立した予測子を合成することを検討できます。これにより、新しい予測子への元の変数の読み込みに応じて、解釈も改善される可能性があります。
Re: 回帰モデルの変数の重み付け我々は、80 人の正常対照被験者と 54 人の外傷性脳損傷 (TBI) 患者の脳容積を測定しました。私たちは、脳容積の測定に基づいてグループのメンバーシップ (正常 vs 外傷性脳損傷) を予測するモデルを作成しようとしています。
私たちの以前の研究では、外傷性脳損傷患者のグループには複数の脳容積異常があることがわかりました。そこで、その研究からのエフェクト サイズを使用して、予測モデルの脳容積変数に重みを付け、エフェクト サイズに比例して変数に重みを付けたいと考えました。
それを行う方法はありますか?これは、予測モデルがすでに行っている以上の効果があると思いますか?
Re: 回帰モデルの変数の重み付け回帰では通常、重み付けは変数ではなく観測値に適用されます。 JMP Pro の一般化回帰プラットフォームは、各効果のパラメーター推定値を縮小する、ペナルティ付き回帰手法 (ペナルティは逆重みのようなもの) をいくつか提供します。 ただし、重量はデータに基づいています。 別の変数またはユーザー入力としては提供されません。
変数の重みを決定する根拠は何ですか? 一部の変数の重みが大きいこと、また重みがどのくらい大きいことをどのように判断しましたか? 変数の重みの形式または性質は何ですか?
