interpretación de las estimaciones de los parámetros para la variable catóricaTengo un modelo con solo algunos efectos activos. A saber, los tres efectos principales de la tabla. epsilon_r ^ n y Rt ^ n son variables continuas, pero E ^ n es una variable categórica que puede tener los valores -1 y +1.
Desde el generador de perfiles de predicción, está claro que en los tres casos, un valor más alto para la variable independiente conduce a un N25 predicho más bajo (que también se espera desde un punto de vista físico).
Entonces, ¿por qué los coeficientes estimados para epsilon_r ^ n y Rt ^ n son negativos, pero el coeficiente para E ^ n es positivo? ¿Cómo debo interpretar la expresión "[-1 -1]" en la tabla de parámetros?
Guardar el modelo en la tabla de datos da acceso a la siguiente fórmula del modelo:
Entonces, el valor más alto de E ^ n (es decir, 1) conduce a un valor más bajo en la fórmula (es decir, 0). No estoy seguro de cómo debería obtener esta información de la tabla de estimaciones de parámetros. ¿Podrían algunos explicarme esto, por favor?
AnalíticaRe: interpretación de estimaciones de parámetros para variable catóricaHola @matthias_bruchh ,
En primer lugar, ¿tienes JMP Pro? Si es así, recomiendo encarecidamente ejecutar un cálculo de arranque en las estimaciones de los parámetros para comprender mejor qué parámetros son realmente 0 (o cerca de 0) y cuáles son realmente distintos de 0, así como sus valores típicos (media de miles de arranques) .
Dicho esto, dado que ha hecho E ^ un valor nominal, cuando JMP informa las estimaciones de los parámetros, informa los valores posibles, en este caso [-1 -1], que significa -1 a 1. Para comprender mejor cómo encaja el predictor E ^ n en su modelo, es posible que desee cambiarlo a ordinal.
La razón por la que E ^ n obtiene un coeficiente positivo (o 0) tiene que ver con la función que obtienes para tu predicción. Tu fórmula es básicamente la siguiente:
y = exp (a + b * x_1 + c * x_2 + d * x_3 + f)
Para obtener una respuesta y mayor, el argumento del exponente debe ser lo más grande posible, por lo tanto, si los coeficientes para x_1 y x_2 son negativos y "a" y "f" son positivos, la única forma de obtener un valor mayor para el El argumento es hacer que el coeficiente de x_3 (es decir, E ^ n) sea positivo.
Mencionaste que el comportamiento de N25 tiene sentido físico cuando se mira cómo responde a los predictores. Si está considerando un proceso físico (o químico), ¿tiene una ecuación teórica para comenzar? Si es así, debe usar eso como su fórmula predictiva y no hacer que el salto genere una empírica para usted. Por ejemplo, si está midiendo el tiempo que tarda una bola en caer x metros, hay una fórmula física que predice esto, a saber: y = y_0 + v_0 * t + 1/2 * g * t ^ 2, la fórmula del movimiento en un campo gravitacional. Al analizar tales datos en JMP, fijaría la fórmula al modelo teórico y vería si hay alguna desviación de la teoría.
Pero, de nuevo, creo que si cambia E ^ n a ordinal, podría tener más sentido para usted. Además, si realmente necesita que JMP genere una fórmula empírica, entonces querrá arrancar o simular las estimaciones para ver cuáles son realmente 0 o cercanas a cero para asegurarse de que no se está perdiendo nada en su modelo.
Espero que esto ayude.
¡Buena suerte!,
DS
Re: interpretación de estimaciones de parámetros para variable catóricaEstimado DS,
Cambiar E ^ n de nominal a ordinal realmente funcionó. El valor absoluto del parámetro es el mismo que antes, pero el signo cambió a negativo, lo que es mucho más intuitivo. ¡Muchas gracias!
De hecho, tengo JMP PRO (pero solo lo obtuve recientemente).
No tengo una fórmula empírica que pueda utilizar en este caso, pero me interesaría saber cómo se hace. Si pudiera indicarme un tutorial o algo así, estaría agradecido. Lo mismo vale para el bootstrapping que mencionas.
Saludos,
Matías
Re: interpretación de estimaciones de parámetros para variable catóricaHola @matthias_bruchh ,
Me alegro de que el cambio a ordinal funcionó y ayudó.
En lo que respecta al modelo teórico, si tiene una función, puede usar la función "fórmula" en las propiedades de la columna para "programar" una columna en función de los predictores. Pero parece que no tienes un modelo teórico.
Para arrancar las estimaciones, haga clic con el botón derecho en las estimaciones de la columna en el informe JMP y luego seleccione bootstrap. Si es rápido, ponga quizás 5000, pero si es lento, déjelo en 2500. Asegúrese de marcar la casilla "pesos fraccionarios. Volverá a ejecutar el ajuste varias veces y luego le dará una distribución de valores para cada coeficiente de los predictores (simplemente ejecute el script de "distribución" en la tabla de datos de salida. Luego, con la distribución y las estadísticas que aparecen, puede hacer clic con el botón derecho en las estadísticas de resumen y seleccionar "convertir en tabla de datos combinados". Asegúrese de personalizar también las estadísticas de resumen para mostrar la proporción distinta de cero.
La tabla de datos combinados contendrá la media y la proporción distinta de cero para sus estimaciones. Allí puede ver cuál es la media (valor típico) y con qué frecuencia (en porcentaje) esa estimación es distinta de cero; si ese número es pequeño, la estimación suele ser cero. Si es grande, la mayoría de las veces no es cero. Esta es una buena forma de determinar qué términos y términos mixtos necesita o no en su modelo.
También puede optar por "simular", pero esto requiere otra columna de fórmula en la tabla de datos para intercambiar con una columna de fórmula que utilizó en su modelo. Esto es un poco más complicado - ver Autovalidación de Gotwalt y Ramsey. Hay un PPT y un video para ver que lo explica. Es ligeramente diferente y dará resultados ligeramente diferentes al enfoque de arranque, pero básicamente hace lo mismo. Utilizo estos enfoques todo el tiempo para eliminar factores en el modelo.
Una diferencia muy buena sobre el enfoque de autovalidación es que genera un factor nulo que es completamente aleatorio y ortogonal a sus datos. Siempre que eso aparezca con más frecuencia en las simulaciones que cualquiera de sus otros factores, definitivamente puede eliminar aquellos que aparecen con menos frecuencia. Tenga cuidado aquí para asegurarse de imponer las reglas de jerarquía y herencia para los factores y sus combinaciones. De hecho, si no tiene un modelo teórico ni una razón para incluir términos mixtos, los dejaría fuera por completo, es simplemente "vudú", como le gusta decir a un científico de datos.
Por cierto, ¿los datos que analiza provienen de un DOE o simplemente de estudios de laboratorio regulares?
¡Buena suerte!,
DS
Re: interpretación de estimaciones de parámetros para variable catóricaGracias DS,
Voy a echar un vistazo a esto. Y sí, los datos provienen de un DOI. (En realidad de 3 DOI. El proyecto se estructuró en tres fases sucesivas. Hice tres DOI independientes para estos, porque había muchas restricciones y (en ese momento) no era posible implementarlas con la función de "diseño de aumento" de JMP).
