Versuch, die multivariate (kontinuierliche) Regressionsanpassung zu verbessern, indem auch ordinale Daten einbezogen werdenHallo - Ist es möglich oder ratsam zu versuchen, die Anpassung meines multiplen linearen Regressionsmodells zu verbessern, indem auch eine ordinale Variable integriert wird?Mein aktuelles Modell enthält 2 kontinuierliche erklärende Variablen und eine kontinuierliche Antwortvariable.Ich weiß, dass in der realen Welt die Ordinalvariable von Bedeutung ist und die Antwortvariable eindeutig beeinflusst ... Ich bin mir nur nicht sicher, wie ich diesen Effekt erfassen soll.Für den Kontext modelliere (dh prognostiziere) ich, wie Ecoli (Antwortvariable) von Trübung (kontinuierlich), Niederschlag an bestimmten nahe gelegenen Orten (kontinuierlich) und anderen Variablen beeinflusst wird, die die Modellanpassung nicht verbessert haben.Ich weiß jedoch, dass der Punkt, an dem der Flussspiegel ansteigt (als Anstiegsphase bezeichnet), aufgrund der anfänglichen Auswaschung aus der Wasserscheide typischerweise höhere Ökoli enthält, und oft enthält dieses Intervall der Anstiegsphase mehr Ökoli als sogar im Spitzenstadium.Das wissen wir aus Beobachtungen.Also....diese Fälle von ansteigender Stufe sollten idealerweise im Modell erfasst werden, und es scheint, dass dies der beste Weg ist, eine ordinale Variable zu verwenden (z. B. schneller Anstieg = 2, langsamer Anstieg = 1, kein Anstieg , sehr langsamer Anstieg oder Abfall = 0).So weit, ist es gut.Aber ich bin mir nicht sicher, wie ich dies in mein Vorhersagemodell von "Ökoli" vs. "stetige und ordinale Variablen" integrieren soll.Irgendwelche Vorschläge oder Richtungen dazu?Danke im Voraus.
AnalytikBetreff: Versuch, die multivariate (kontinuierliche) Regressionsanpassung zu verbessern, indem auch ordinale Daten einbezogen werdenHi @Campbell_Ted_R ,
Welche Version von JMP oder JMP Pro verwenden Sie?
Sie können die Ordinaldaten problemlos einbinden. Sie können sogar gekreuzte Begriffe der steigenden Phase mit Trübung oder Niederschlag einbeziehen. Fügen Sie es einfach wie gewohnt in das Dialogfenster ein. Sie können die Verwendung der Big Class.jmp-Datentabelle üben, indem Sie das Alter als ordinale Variable verwenden .
Abgesehen davon, wenn die Daten, die Sie modellieren, nicht von einem DOE stammen (was sich nicht so anhört), sollten Sie sicherstellen, dass Sie eine Art Kreuzvalidierungstechnik verwenden, um sicherzustellen, dass du übertreibst deine Daten nicht. Für mich klingt es so, als würden Sie versuchen, die E.Coli-Werte in Wasserstraßen in Abhängigkeit von einer Reihe anderer Faktoren vorherzusagen. Klingt nach einem coolen Problem, an dem man arbeiten kann und das von großer Bedeutung für die öffentliche Gesundheit ist.
Wenn Sie Pro haben, sollten Sie Modelle mit verschiedenen Plattformen ausführen, um zu sehen, welche das beste Vorhersagemodell für Daten generiert, die Sie nicht zum Trainieren des Modells verwendet haben (vorausgesetzt, Sie möchten dies letztendlich tun). Sie werden Dinge in GenReg, Entscheidungsbäumen und sogar neuronalen Netzen ausprobieren wollen. Sie können dann die Modelle mit den nicht verwendeten Daten vergleichen und sehen, welches als Vorhersagemodell am besten funktioniert.
Hoffe das hilft. Viel Glück!,
DS
Betreff: Versuch, die multivariate (kontinuierliche) Regressionsanpassung zu verbessern, indem auch ordinale Daten einbezogen werdenWarum messen Sie die tatsächliche Anstiegs-/Abfallrate nicht als kontinuierliche Variable, anstatt sie zu kategorisieren?
Betreff: Versuch, die multivariate (kontinuierliche) Regressionsanpassung zu verbessern, indem auch ordinale Daten einbezogen werdenVielen Dank für den Input Diedrich.Ich werde es versuchen.Ich verwende übrigens die JMP-Version 12.1.
