314633_fr-FR

liliconcom

Régression multiple

Bonjour,

J'ai un scénario où ma réponse est une variable continue et les prédicteurs sont mixtes (continus et catégoriques avec plus de 2 niveaux)

Dans la réponse, je vois une tendance et mon objectif est d'étudier quel prédicteur a tendance avec elle (en d'autres termes, quel prédicteur contribue le plus à la tendance de réponse, car la tendance est un mauvais signe pour un processus donné).

J'essaie de différentes manières en utilisant la régression multiple mais j'ai quelques inquiétudes:

Serait-il préférable d'exécuter une régression différente pour chaque type de variables (une fois avec uniquement numérique et la prochaine fois avec uniquement catégorielle) pour détecter le prédicteur de tendance à l'origine?

Lorsque j'exécute le modèle avec toutes les variables, j'obtiens un peu de NA pour certaines estimations et c'est un signe de corrélation. Sur ce point, je ne sais pas comment décider quelle variable dois-je supprimer pour éviter la multicolinéarité.

J'espère quelques idées.

Merci.

AnalytiqueRe: Régression multiple

Quand vous dites «tendance» ... je suppose que vous parlez d'un changement systématique basé sur le temps dans la réponse. Pour les variables prédictives continues, je suggère un graphique de superposition simple dans Graph Builder tirant parti de la séquence temporelle de la collecte des réponses (peut-être avec un filtre de données local pour mettre en évidence efficacement des x spécifiques). Pour les variables catégorielles, y a-t-il encore un élément temporel caché? Disons, comme le lot 1, 2, 3, 4, etc. où chaque lot suivant est délimité dans une séquence temporelle? Si vous avez une séquence temporelle pour les variables catégorielles, utilisez la propriété de colonne Ordre des valeurs pour les faire apparaître dans la séquence temporelle correcte dans Graph Builder. Si tout ce qui vous intéresse vraiment, c'est la détection de cette tendance temporelle ... vous devriez pouvoir la «voir» dans Graph Builder et même pas avoir besoin d'accéder à une modélisation.

Re: Régression multipleEn fait, je m'intéresse davantage à la variable qui cause la tendance qu'au moment où elle s'est produite.
Merci.Re: Régression multiple

Il semble que vous suspectiez une colinéarité et une singularité avec l'ensemble de données en main. Vous pouvez essayer Pas à pas dans le sens avant en commençant par le prédicteur linéaire complet.

 

Vous pouvez également utiliser Partition avec un sur-ajustement important, puis examiner les contributions de la colonne. Les principaux contributeurs sont vraisemblablement réels.

Re: Régression multipleBonjour,
J'essaie d'utiliser cette méthode mais cela ne fonctionne pas car elle donne une multicolinéarité liée aux erreurs.
Message d'alerte:
Dans leaps.setup (x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in = force.in,:
2 dépendances linéaires trouvées
Merci de votre aide.