Va bene che una variabile abbia più interazioni?Nei miei dati ho circa 15 variabili diverse (contaminanti dell'acqua) e sto cercando di determinare se ci sono interazioni. Non sono in grado di utilizzare VIF (non viene visualizzato come opzione), quindi sto eseguendo un test esatto di Fishers per determinare se c'è collinearità. A partire dalla prima variabile, eseguo il test su ogni altra variabile e lo farò per l'intero elenco di variabili. La prima variabile ha un'interazione con altre 10 variabili nei dati. È qui che entra in gioco la mia domanda, è un male avere una variabile con più interazioni con altre variabili, o è solo qualcosa che può accadere con determinati set di dati?
Un'altra domanda che ho, so che ci possono essere interazioni a tre vie, ma quando è appropriato farlo? Puoi avere un'interazione a quattro e cinque vie o superiore?
Grazie.
AnalyticsRi: Va bene che una variabile abbia più interazioni?Di solito usiamo il termine "interazioni" per riferirci a un effetto non lineare su una risposta che coinvolge due o più fattori. È questo il tuo significato?O intendi correlazioni tra i predittori? Non parli di una variabile di risposta.
Per quanto riguarda la complessità degli effetti di interazione che potresti aspettarti, la risposta è "dipende tutto". C'è un principio (non una teoria o una legge) dallo screening di un gran numero di fattori potenziali che la maggior parte del contributo proviene dai termini del primo ordine e il contributo diminuisce all'aumentare dell'ordine (il cosiddetto "principio della gerarchia"). Quindi, ad esempio, un'interazione di 4 ° ordine è possibile ma è molto improbabile o fornisce un contributo molto piccolo.D'altra parte, è molto comune che molti predittori siano correlati (ovvero, "multi-collinearità").
Il mio pensiero finale è che la tua analisi individuale è piena di insidie. Un approccio migliore sarebbe un '"analisi delle componenti principali" per le correlazioni o un "modello lineare" per le interazioni.
Ri: Va bene che una variabile abbia più interazioni?Scusa per la risposta in ritardo. Stavo usando il termine interazioni in modo errato. Intendevo correlazioni tra i predittori (grazie per il chiarimento). La variabile di risposta è un risultato alla nascita (cioè nascita pretermine sì / no). Come si determina quando incorporare le interazioni di 3 ° ordine per ridurre la multicollinearità nel modello di regressione logistica?
Ri: Va bene che una variabile abbia più interazioni?Se c'è multicollinearità tra le variabili predittive, l'aggiunta di termini di interazione al modello non sarà di aiuto. Il problema è la multicollinearità tra i predittori ... che non può essere "risolta" aggiungendo effetti al modello. Inoltre @markbailey Puoi consigliare di provare un metodo di modellazione più abile nel gestire il problema delle variabili predittive correlate. I minimi quadrati parziali o uno dei metodi di regressione penalizzata in JMP Pro potrebbero essere utili. Guardando questo webinar su JMP On Demand, che ho scritto alcuni anni fa, potresti trovare informativo. Affronto lo scenario di risposta categoriale: Webinar PLS
Ri: Va bene che una variabile abbia più interazioni?Oltre ai commenti già fatti, offro i seguenti pensieri. L'unico modo per "correggere" la multicollinearità è rimuovere i termini offensivi dal modello. In caso contrario, si otterrà un modello che sovrastima l'utilità del modello. Sfortunatamente non esiste una procedura statistica che sia infallibile per identificare quale dei termini correlati dovrebbe essere rimosso (sebbene ce ne siano diversi disponibili dalle variabili latenti per PCA). Il mio consiglio è di utilizzare la tua conoscenza della situazione (le variabili predittore e le variabili di risposta) e considerare l'utilità delle variabili predittore nel modello. Quindi iterare ... utilizzare il modello per prevedere il prossimo set di dati, rivalutare, modificare e ripetere.
