迴歸模型中的加權變數我想知道如何在迴歸模型中加權變數。 我有一些變數可能對我的模型貢獻更大，我希望找到一種方法，讓 JMP 比其他變數更重視這些變數。 我知道我可以先將它們輸入逐步迴歸模型。 我想這樣做，但我也想對某些變數賦予比其他變數更多的權重。
進階統計建模消費者與市場研究回覆：迴歸模型中的加權變數有趣的研究。 另外@馬克貝利的觀點，我有一些問題想問你：
看來您正在嘗試根據腦容量預測受試者將屬於哪一類（正常或 TBI）。
- 有什麼方法可以讓類別更連續或至少有序？
- 「團體成員資格」是什麼意思？ 使用什麼指標來進行這種分類，還是主觀判斷？ 您是否再次考慮過測量系統誤差？
- 您如何測量大腦體積？您有考慮過測量系統誤差嗎？
- 什麼是腦容量異常？ 使用什麼測量來確定這些？ 是否有其他測量方法可以取代腦容量（例如密度、尺寸、重量、腦電圖）
- 什麼是「腦容量變數」？
- 預測模型已經做了什麼？ 這些型號是什麼？
正如已經建議的，模型將具有與每個變數相關的參數。 這些參數已經根據對反應變數的影響進行了「加權」。
回覆：迴歸模型中的加權變數此外，還有許多其他類型的預測模型。 我建議的兩種方法是遞歸分區和神經網路。 前者特別有利於解釋，後者特別有利於準確性。
JMP Pro 中還有其他功能可以顯著提升預測效能。 請參見幫助 > JMP 文檔庫 > 預測建模指導。
回覆：迴歸模型中的加權變數您正在使用“線性回歸”對響應進行建模並預測結果。 線性預測器是線性組合。 參數或係數已經是總和或累加中的權重。 它們是基於數據（觀察）提供的經驗證據。 如果預測變數出現在非常不同的尺度（即幅度）上，您可能需要對它們進行居中和縮放。
事實上，您有多個與患者結果一致變化的預測變量，這意味著您存在共線性問題，這會增加參數估計值的變異數。 估計值不穩定，即使資料發生很小的變化（例如，一個觀察值或新資料），也可能會發生巨大變化。對預測變數進行居中和縮放會有所幫助，但可能無法消除問題。 您可以選擇使用一個顯性預測變數來避免此問題。 如果這些預測變數中的資訊並非完全冗餘，那麼您可以考慮使用主成分分析來合成新的獨立預測變量，這也可能會改善解釋。這取決於新預測變數上原始變數的載入。
回覆：迴歸模型中的加權變數我們對 80 名正常對照受試者和 54 名創傷性腦損傷 (TBI) 患者進行了腦容量測量。我們正在嘗試創建一個模型，根據腦容量測量來預測群體成員身份（正常與 TBI）。
在我們先前的研究中，我們發現我們組的TBI患者存在多種腦容量異常。因此，我們想利用該研究中的效應大小來為我們的預測模型對腦容量變數進行加權，並根據變數的效應大小按比例對變數進行加權。
有沒有辦法做到這一點？您認為這會比預測模型已經做的更有幫助嗎？
回覆：迴歸模型中的加權變數在迴歸中，加權通常適用於觀測值，而不是變數。 JMP Pro 中的廣義迴歸平台提供了多種懲罰迴歸技術（懲罰類似於逆權重），可縮小每種效應的參數估計值。 不過，權重是基於數據的。 它不作為另一個變數或用戶輸入提供。
你確定變數權重的依據是什麼？ 您如何確定某些變數具有更大的權重以及權重是多少？ 變數權重的形式或性質是什麼？
