307749_es-ES

liliconcom

Cómo interpretar: modelo de regresión generalizada con variables binarias (categóricas)

Estamos ajustando un modelo que prueba la eficacia de un tratamiento (por ejemplo, un producto farmacéutico). El DV es Recuperado , una variable binaria (0/1), definida como numérica nominal. La pregunta de investigación es si el tratamiento afecta la expresión de una condición previa y, por lo tanto, mejora la recuperación. Esperamos que las personas con cierto nivel de la condición previa reaccionen de manera diferente al tratamiento, es decir, un efecto de interacción.

Ajustamos un modelo de regresión generalizado con distribución binomial. Los predictores son 1) si la persona recibió tratamiento ( Tratamiento ; binario), 2) la variable cuya expresión debería verse afectada por el tratamiento ( Condición previa , continuo), 3-4) dos variables de control continuas ( Período y Q ), así como un 5) término de interacción entre Tratamiento y Condición previa .

1. La ecuación de regresión calcula por defecto la probabilidad de Recuperado = 0, pero estamos interesados en predecir Recuperado = 1. ¿Cómo cambiamos el valor predeterminado?
2. De manera confusa, las estimaciones de los parámetros muestran el parámetro de tratamiento como "Tratamiento [0-1]". ¿Significa esto que este es el efecto de ningún tratamiento o tratamiento? Una distinción muy importante, obviamente.
3. ¿Cuál es la forma correcta de interpretar el efecto de interacción? Específicamente, ¿qué significa "-226.24"?

La salida está debajo. ¡Gracias por tu ayuda!

 

Regresión generalizada para recuperados = 0

Comparación de modelos

 

mostrar	Distribución de respuesta	Método de estimación	Método de validación	Parámetros distintos de cero	AICc	BIC	RSquare generalizado
[X]	Binomio	Regresión logística	Ninguna	5	3677.7423	3708.3526	0.1934902

 

Lanzamiento del modelo

Binomio

Lazo [] Adaptable

 

AICc

 

[] Parada anticipada

 

 

Regresión logística

Resumen Modelo

 

Respuesta	Recuperado
Distribución	Binomio
Método de estimación	Regresión logística
Método de validación	Ninguna
Enlace del modelo de probabilidad	Logit

 

 

Medida
Número de filas	6128
Suma de frecuencias	3380
-LogLikelihood	1833.8622
Número de parámetros	5
BIC	3708.3526
AICc	3677.7423
RSquare generalizado	0.1934902

 

Estimaciones de parámetros para predictores originales

 

Término	Estimar	Error estándar	Wald ChiSquare	Prob> ChiSquare	95% inferior	Superior 95%
Interceptar	0.8755145	0.1101971	63.122825	<.0001 *	0,6595322	1.0914968
Tratamiento [0-1]	0.0643045	0.0696953	0.8512868	0.3562	-0.072296	0.2009047
Período	0.1015936	0.0130748	60.375781	<.0001 *	0.0759675	0.1272197
Q	0,0012641	0.0004935	6.5606499	0.0104 *	0.0002968	0,0022314
Condición previa	-0,000095	0,0001314	0.522411	0.4698	-0.000352	0.0001626
(Precondición-226.24) * Tratamiento [0-1]	0.0009875	0.0003172	9.6914587	0,0019 *	0.0003658	0,0016093

 

(Todos los nombres de variables son alias debido a requisitos de confidencialidad).

 

AnalíticaRe: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)Hola, ¿ha tenido la oportunidad de revisar la biblioteca de documentación de JMP en el menú Ayuda de JMP? Los ejemplos de la Biblioteca de documentación deberían ayudarlo a interpretar sus resultados.
Sinceramente,
MGRe: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)

Gracias por la respuesta. Hicimos una búsqueda amplia antes de publicar la pregunta, incluso en este foro, pero es posible que nos hayamos perdido algo. ¿Podría indicarnos 1) cómo cambiar el nivel de DV previsto y cómo interpretar los resultados 2) y 3)? Los números se refieren a las preguntas originales.

Re: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)Bien, puede cambiar el resultado objetivo de 0 a 1 en el cuadro de diálogo Ajustar plataforma del modelo. Una vez que haya seleccionado Personalidad = Regresión generalizada y Distribución = Binomial, puede seleccionar el Nivel objetivo = 1 (el valor predeterminado es 0). En términos de interpretación, debe mirar el Prediction Profiler debajo del Triángulo rojo asociado con su Model Fit. El Prediction Profiler le permitirá visualizar el cambio en Y para cambios dados en la X. Para una interpretación cuantitativa, en su caso, es posible que desee guardar la Fórmula de predicción (una opción debajo del mismo Triángulo rojo) del ajuste del modelo a la columna (s) en su tabla de datos. Luego, puede abrir la fórmula para inspección, lo que le ayudará en su interpretación.Re: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)

¡Gracias! Estamos progresando aquí.

1. ¿Cómo hacemos que JMP calcule el efecto para el presencia de tratamiento (es decir, Tratamiento = 1). Ahora mismo, calcula el efecto de la ausencia de tratamiento (es decir, Tratamiento = 0).
2. Para ser claros, la especificación del nivel objetivo está disponible para la regresión generalizada pero no para un modelo lineal generalizado, ¿correcto? Al menos no podemos encontrar esa opción.

Re: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)1) ¿Quizás pueda recodificar sus datos para que Tratamiento = 0 y vuelva a ejecutar el modelo? O puede dejarlo como está pero cambiar el tipo de modelado a continuo.
2) Creo que tienes razón. También existe la personalidad = logística nominal en la que puede alternar el nivel objetivo del resultado.Re: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)

Para tener el modelo para Tratamiento = 1 en lugar de 0, active la propiedad Orden de valor para la columna Tratamiento. Mueva el nivel 1 hacia arriba, para que esté en la parte superior de la lista y vuelva a ejecutar su modelo. 

 

Puede usar el mismo enfoque para predecir la probabilidad de un 1 para Recuperado cuando usa un Modelo lineal general.

Re: Cómo interpretar: Modelo de regresión generalizada con variables binarias (categóricas)

@G_M y @Dan_Obermiller : A través de sus respuestas, logramos completar la interpretación y continuar con la investigación. ¡Gracias!