Variables de ponderación en modelos de regresiónMe preguntaba cómo ponderar las variables en un modelo de regresión. Tengo algunas variables que pueden contribuir más a mi modelo y quiero encontrar una manera de que JMP valore estas variables más que otras variables. Sé que puedo ingresarlos primero en un modelo de regresión gradual. Quiero hacer eso, pero también quiero ponderar algunas variables más que otras.
AnalíticaRe: Variables de ponderación en modelos de regresiónLa ponderación generalmente se aplica a observaciones, no a variables, en regresión. La plataforma de regresión generalizada en JMP Pro ofrece varias técnicas de regresión penalizada (la penalización es como un peso inverso) para reducir la estimación del parámetro para cada efecto. Sin embargo, el peso se basa en los datos. No se proporciona como otra variable o entrada del usuario.
¿Cuál es la base para su determinación del peso de una variable? ¿Cómo determinó que algunas variables tienen más peso y cuánto más peso? ¿Cuál es la forma o naturaleza del peso de una variable?
Re: Variables de ponderación en modelos de regresiónTenemos mediciones de volumen cerebral en 80 sujetos de control normal y 54 pacientes con lesión cerebral traumática (LCT). Estamos tratando de crear un modelo que prediga la pertenencia al grupo (normal vs. TBI) basado en mediciones de volumen cerebral.
En nuestra investigación anterior, encontramos que nuestro grupo de pacientes con TBI tenía múltiples anormalidades en el volumen cerebral. Por lo tanto, queríamos usar los tamaños de efectos de ese estudio para ponderar las variables de volumen cerebral para nuestro modelo predictivo, ponderando las variables proporcionalmente a sus tamaños de efectos.
¿Hay una manera de hacer eso? ¿Crees que ayudaría, más allá de lo que ya hacen los modelos predictivos?
Re: Variables de ponderación en modelos de regresiónEstá utilizando 'regresión lineal' para modelar la respuesta y predecir el resultado. El predictor lineal es una combinación lineal. Los parámetros o coeficientes ya son pesos en la suma o acumulación. Se basan en la evidencia empírica proporcionada por los datos (observaciones). Es posible que desee centrar y escalar las variables predictoras si se producen en escalas muy diferentes (es decir, magnitud).
El hecho de que tenga más de un predictor que cambie de acuerdo con el resultado del paciente significa que tiene un problema de colinealidad, lo que infla la varianza de las estimaciones de los parámetros. Las estimaciones son inestables y pueden variar drásticamente, incluso con un pequeño cambio en los datos (por ejemplo, una observación o datos nuevos). Centrar y escalar los predictores ayuda, pero podría no eliminar el problema. Puede elegir usar un predictor dominante para evitar este problema. Si la información en estos predictores no es completamente redundante, entonces podría considerar usar el análisis de componentes principales para sintetizar predictores nuevos e independientes, lo que también podría mejorar la interpretación, dependiendo de la carga de las variables originales en los nuevos predictores.
Re: Variables de ponderación en modelos de regresiónAdemás, hay muchos otros tipos de modelos para la predicción. Dos métodos que sugiero son particiones recursivas y redes neuronales. El primero es especialmente bueno para la interpretación y el segundo es especialmente bueno para la precisión.
Hay otros disponibles en JMP Pro que pueden elevar significativamente el rendimiento de la predicción. Por favor mira Ayuda> Biblioteca de documentación JMP> Modelado predictivo guía.
Re: Variables de ponderación en modelos de regresiónInteresante estudio. Además de @markbailey puntos, tengo algunas preguntas para ti:
Parece que está tratando de predecir en qué categoría caerá el sujeto (normal o TBI) en función del volumen cerebral.
- ¿Hay alguna manera de hacer que las categorías sean más continuas o al menos ordinales?
- ¿Qué quiere decir con "membresía grupal"? ¿Qué métricas se utilizan para hacer esta categorización o es un juicio subjetivo? Nuevamente, ¿ha considerado los errores del sistema de medición?
- ¿Cómo mide el volumen cerebral y ha considerado los errores del sistema de medición?
- ¿Qué son las anormalidades del volumen cerebral? ¿Qué medidas se usaron para determinar esto? ¿Existen otras medidas que podrían usarse en lugar del volumen cerebral (por ejemplo, densidad, dimensiones, peso, EEG)
- ¿Cuáles son las "variables de volumen cerebral"?
- ¿Qué hacen ya los modelos predictivos? ¿Qué son esos modelos?
Como ya se sugirió, el modelo tendrá parámetros asociados con cada variable. Estos parámetros ya están "ponderados" en términos de su efecto sobre las variables de respuesta.
