Est-il normal qu'une variable ait plusieurs interactions?Dans mes données, j'ai environ 15 variables différentes (contaminants de l'eau) et j'essaie de déterminer s'il y a des interactions. Je ne peux pas utiliser VIF (il n'apparaît pas comme une option) donc j'exécute un test exact de Fishers pour déterminer s'il y a colinéarité. En commençant par la première variable, j'exécute le test sur chaque autre variable et je le ferai pour toute ma liste de variables. La première variable a une interaction avec 10 autres variables dans les données. C'est là que ma question entre en jeu, est-il mauvais d'avoir une variable avec de multiples interactions avec d'autres variables, ou est-ce juste quelque chose qui peut se produire sous certains ensembles de données?
Une autre question que j'ai, je sais qu'il peut y avoir des interactions à trois, mais quand est-il approprié de le faire? Pouvez-vous avoir une interaction à quatre et cinq voies, ou plus?
Merci.
AnalytiqueRe: Est-il acceptable pour une variable d'avoir plusieurs interactions?Nous utilisons généralement le terme «interactions» pour désigner un effet non linéaire sur une réponse impliquant deux facteurs ou plus. Est-ce que c'est votre sens?Ou voulez-vous dire des corrélations entre les prédicteurs? Vous ne mentionnez pas de variable de réponse.
En ce qui concerne la complexité des effets d'interaction auxquels vous pourriez vous attendre, la réponse est «tout dépend». Il y a un principe (pas une théorie ou une loi) à partir du filtrage d'un grand nombre de facteurs potentiels selon lequel la majeure partie de la contribution provient des termes du premier ordre et la contribution diminue à mesure que l'ordre augmente (ce qu'on appelle le «principe de la hiérarchie»). Ainsi, par exemple, une interaction du 4ème ordre est possible mais elle est soit très improbable, soit n'apporte qu'une très petite contribution.D'un autre côté, il est très courant que de nombreux prédicteurs soient corrélés (c'est-à-dire «multi-colinéarité»).
Ma dernière pensée est que votre analyse individuelle à la fois est semée d'embûches. Une meilleure approche serait une «analyse des composantes principales» pour les corrélations ou un «modèle linéaire» pour les interactions.
Re: Est-il acceptable pour une variable d'avoir plusieurs interactions?Désolé pour la réponse tardive. J'utilisais incorrectement le terme interactions. Je voulais dire des corrélations entre les prédicteurs (merci pour la clarification). La variable de réponse est une issue de naissance (c.-à-d. Naissance prématurée oui / non). Comment déterminer quand incorporer des interactions de troisième ordre pour réduire la multicolinéarité dans le modèle de régression logistique?
Re: Est-il acceptable pour une variable d'avoir plusieurs interactions?S'il existe une multicolinéarité parmi vos variables de prédiction, l'ajout de termes d'interaction au modèle n'aidera pas. Le problème est la multicolinéarité parmi les prédicteurs ... qui ne peut pas être «corrigée» en ajoutant des effets au modèle. En plus de @markbailey Les conseils de vous pourriez vouloir essayer une méthode de modélisation plus apte à traiter le problème des variables prédictives corrélées. Les moindres carrés partiels ou l'une des méthodes de régression pénalisées de JMP Pro peuvent être utiles. Vous trouverez peut-être instructif de regarder ce webinaire JMP On Demand que j'ai créé il y a quelques années. J'aborde le scénario de réponse catégorique: Webinaire PLS
Re: Est-il acceptable pour une variable d'avoir plusieurs interactions?En plus des commentaires déjà faits, je propose les réflexions suivantes. La seule façon de «corriger» la multicolinéarité est de supprimer les termes incriminés du modèle. Si vous ne le faites pas, un modèle surestimera l'utilité du modèle. Malheureusement, il n'y a pas de procédure statistique infaillible pour identifier lequel des termes corrélés devrait être supprimé (bien qu'il y en ait plusieurs disponibles des variables latentes à l'ACP). Mon conseil est d'utiliser votre connaissance de la situation (les variables prédictives et les variables de réponse) et de considérer l'utilité des variables prédictives dans le modèle. Ensuite, itérez ... utilisez le modèle pour prédire le prochain ensemble de données, réévaluer, modifier et répéter.
