314633_de-DE

liliconcom

Multiple Regression

Hallo,

Ich habe ein Szenario, in dem meine Antwort eine kontinuierliche Variable ist und die Prädiktoren gemischt sind (kontinuierlich und kategorisch mit mehr als 2 Ebenen).

In der Antwort sehe ich einen Trend und mein Ziel ist es zu untersuchen, welche Prädiktoren damit im Trend liegen. (Mit anderen Worten, welcher Prädiktor trägt hauptsächlich mehr zum Antworttrend bei, da der Trend ein schlechtes Zeichen für einen bestimmten Prozess ist.)

Ich versuche verschiedene Wege, indem ich multiple Regression verwende, aber ich habe einige Bedenken:

Wäre es besser, für jeden Variablentyp eine andere Regression durchzuführen (einmal mit nur numerischen und das nächste Mal mit nur kategorialen), um den verursachenden Trendprädiktor zu ermitteln?

Wenn ich das Modell mit allen Variablen ausführe, erhalte ich eine NA für einige Schätzungen und dies ist ein Zeichen der Korrelation. In diesem Punkt bin ich mir nicht sicher, wie ich entscheiden soll, welche Variable ich entfernen muss, um Multikollinearität zu vermeiden.

Ich hoffe auf ein paar Ideen.

Vielen Dank.

AnalytikBetreff: Multiple Regression

Wenn Sie "Trend" sagen ... Ich nehme an, Sie meinen eine zeitbasierte systematische Änderung der Reaktion. Für die kontinuierlichen Prädiktorvariablen schlage ich ein einfaches Overlay-Diagramm in Graph Builder vor, das die zeitliche Abfolge der Erfassung der Antworten nutzt (möglicherweise mit einem lokalen Datenfilter, um bestimmte x effizient hervorzuheben). Gibt es für die kategorialen Variablen noch ein lauerndes Zeitelement? Sagen wir, wie bei Charge 1, 2, 3, 4 usw., wo jede nachfolgende Charge in einer zeitlichen Abfolge begrenzt ist? Wenn Sie eine zeitliche Abfolge für die kategorialen Variablen haben, verwenden Sie die Spalteneigenschaft Wertreihenfolge, damit sie in der richtigen zeitlichen Abfolge in Graph Builder angezeigt werden. Wenn Sie nur daran interessiert sind, diesen zeitbasierten Trend zu erkennen, sollten Sie ihn in Graph Builder sehen und nicht einmal zu einer Modellierung wechseln müssen.

Betreff: Multiple RegressionEigentlich interessiere ich mich mehr für Variablen, die den Trend verursachen, als wenn es passiert ist.
Vielen Dank.Betreff: Multiple Regression

Es hört sich so an, als ob Sie Kollinearität und Singularität mit dem vorliegenden Datensatz vermuten. Sie können Stepwise in Vorwärtsrichtung versuchen, beginnend mit dem vollständigen linearen Prädiktor.

 

Sie können auch Partition mit umfangreicher Überanpassung verwenden und dann die Spaltenbeiträge untersuchen. Die Top-Mitwirkenden dürften real sein.

Betreff: Multiple RegressionHallo,
Ich versuche, diese Methode zu verwenden, aber sie funktioniert nicht, da sie eine fehlerbezogene Multikollinearität ergibt.
Warnmeldung:
In leaps.setup (x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in = force.in ,:
2 lineare Abhängigkeiten gefunden
Danke für Ihre Hilfe.