Es wird versucht, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenHallo – Ist es möglich oder ratsam, zu versuchen, die Anpassung meines multiplen linearen Regressionsmodells zu verbessern, indem ich auch eine Ordinalvariable einbeziehe?Mein aktuelles Modell enthält zwei kontinuierliche erklärende Variablen und eine kontinuierliche Antwortvariable.Ich weiß, dass in der realen Welt die Ordinalvariable WIRKLICH wichtig ist und sich eindeutig auf die Antwortvariable auswirkt ... Ich bin mir nur nicht sicher, wie ich diesen Effekt erfassen soll.Für den Kontext modelliere (dh prognostiziere) ich, wie Ecoli (Antwortvariable) durch Trübung (kontinuierlich), Niederschlag an bestimmten nahegelegenen Orten (kontinuierlich) und andere Variablen beeinflusst wird, die die Modellanpassung nicht verbessert haben.Ich weiß jedoch, dass der Punkt, an dem der Flussspiegel ansteigt (als Anstiegsstadium bezeichnet), aufgrund des anfänglichen Auswaschens aus dem Wassereinzugsgebiet typischerweise mehr Ecoli enthält, und dass dieses Intervall des Anstiegsstadiums oft mehr Ecoli enthält als selbst im Spitzenstadium.Das wissen wir aus Beobachtungen.Also....diese Fälle einer ansteigenden Phase sollten idealerweise im Modell erfasst werden, und es scheint, dass der beste Weg, dies zu erreichen, darin besteht, 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 das in mein Vorhersagemodell von „Ecoli“ im Vergleich zu „kontinuierlichen und ordinalen Variablen“ integrieren soll.Irgendwelche Vorschläge oder Anweisungen dazu?Dank im Voraus.
Datenexploration und -visualisierungBetreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenDanke Statman.Ich werde es versuchen.
Betreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenIch bin mir Ihrer speziellen Situation nicht ganz sicher, aber ja, Delta ändert sich im Laufe der Zeit. Kontinuierliche Variablen sind immer nützlicher und erfordern weniger Daten.
Betreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenDas ist tatsächlich eine gute Idee und ein besseres Maß als das, was ich verwende.Denken Sie an Delta-Anstieg/Delta-Zeit?
Betreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenVielen Dank für den Beitrag Diedrich.Ich werde es versuchen.Ich verwende übrigens JMP Version 12.1.
Betreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenWarum messen Sie die tatsächliche Anstiegs-/Abfallrate nicht als kontinuierliche Variable, anstatt sie zu kategorisieren?
Betreff: Versuch, die multivariate (kontinuierliche Daten) Regressionsanpassung zu verbessern, indem auch Ordinaldaten einbezogen werdenHallo @learning_JSL ,
Welche Version von JMP oder JMP Pro verwenden Sie?
Sie können die Ordinaldaten problemlos einbinden. Sie können sogar die Begriffe „Aufstiegsstadium“ und „Trübung“ oder „Niederschlag“ kreuzen. Fügen Sie es einfach wie gewohnt im Dialogfenster hinzu. Sie können die Verwendung der Big Class.jmp-Datentabelle üben und dabei das Alter als Ordinalvariable verwenden. Ich habe es gerade mit dem PLS-Modell „Persönlichkeit“ gemacht, um „Größe“ basierend auf Alter, Geschlecht, Gewicht und Alter*Gewicht vorherzusagen, nur als Beispiel .
Wenn die Daten, die Sie modellieren, jedoch nicht von einem DOE stammen (was sich nicht so anhört), sollten Sie sicherstellen, dass Sie eine Art Kreuzvalidierungstechnik verwenden, um dies sicherzustellen Sie überpassen Ihre Daten nicht. Für mich hört es sich so an, als würden Sie versuchen, die E.Coli-Konzentration in Wasserstraßen abhängig von einer Reihe anderer Faktoren vorherzusagen. Klingt nach einem coolen Problem, an dem man arbeiten kann und das für die öffentliche Gesundheit von großer Bedeutung ist.
Wenn Sie über Pro verfügen, möchten Sie Modelle mit verschiedenen Plattformen ausführen, um herauszufinden, welche das beste Vorhersagemodell für Daten generiert, die Sie nicht zum Trainieren des Modells verwendet haben (vorausgesetzt, Sie möchten dies letztendlich tun). Sie möchten Dinge in GenReg, Entscheidungsbäumen und sogar neuronalen Netzen ausprobieren. Anschließend können Sie die Modelle anhand der ungenutzten Daten vergleichen und herausfinden, welches als Vorhersagemodell am besten geeignet ist.
Hoffe das hilft. Viel Glück!,
DS
