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 catégoriels avec plus de 2 niveaux)

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

J'essaie 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 des variables numériques et la prochaine fois avec uniquement des catégories) pour détecter le prédicteur de tendance à l'origine ?

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

J'espère quelques idées.

Merci.

Études de consommation et de marchéObjet : Régression multipleJe n'ai pas d'informations complètes, mais il semble qu'elles proviennent davantage d'une expérience.
J'apprécie votre aide.Objet : Régression multipleMerci.
Ca a du sens.Objet : Régression multiple

Mes pensées. Ce que Pete suggère est de rechercher les relations graphiquement (plutôt que quantitativement). C'est une excellente idée et le constructeur de graphiques est votre ami. Mark suggère une approche plus quantitative. Il propose une approche additive pour construire le modèle.

Ce qu'aucun de nous ne sait, c'est comment vous avez obtenu vos données ? S'agit-il d'un ensemble de données d'observation, d'un échantillonnage dirigé ou d'une expérience ? S'il s'agit d'un ensemble de données d'observation, le meilleur que vous puissiez obtenir, quel que soit l'outil d'analyse, est la corrélation. Il existe de nombreuses méthodes pour examiner les données. Vous pouvez essayer Analyse>Méthodes multivariées>Multivarié entrez les y et les prédicteurs pour obtenir des diagrammes de dispersion. Si vous faites de la modélisation de régression, je vous suggère de commencer par des hypothèses. Quels facteurs auraient du sens pour affecter la tendance de la réponse ? Construisez d'abord un modèle avec ces facteurs. Et regardez toujours les VIF dans le tableau des estimations des paramètres.  

Objet : Régression multipleMa suggestion offrira des conseils sur les variables qui sont corrélées, et notez que la corrélation n'est pas une causalité, en particulier avec les données de hasard, que je suppose que vous avez. Recherchez simplement les changements dans les x qui s'alignent dans le temps (en notant qu'il peut y avoir des décalages) avec les changements dans la réponse.
Objet : Régression multiple

Ce message indique une singularité. Cela signifie que la colinéarité est parfaite ou que la corrélation des estimations est de -1 ou +1. Votre modèle est surspécifié. C'est pourquoi j'ai suggéré d'utiliser une partition pas à pas ou récursive.

Objet : Régression multipleBonjour,
J'essaie d'utiliser cette méthode mais cela ne fonctionne pas car cela 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 pour votre aide.Objet : Régression multiple

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

 

Vous pouvez également utiliser Partition avec un surajustement étendu, puis examiner les contributions de la colonne. Les principaux contributeurs sont probablement réels.

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

Quand vous dites "tendance"... je suppose que vous voulez dire un changement systématique basé sur le temps dans la réponse. Pour les variables prédictives continues, je suggère un simple tracé de superposition dans Graph Builder tirant parti de la séquence temporelle de 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 ? Dites, comme les lots 1, 2, 3, 4, etc. où chaque lot suivant est limité dans une séquence temporelle ? Si vous disposez d'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 de détecter cette tendance basée sur le temps... vous devriez pouvoir la "voir" dans Graph Builder et vous n'aurez même pas besoin d'aller dans une modélisation.