Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesBonjour - Est-il possible ou conseillé de tenter d'améliorer l'ajustement de mon modèle de régression linéaire multiple en incorporant également une variable ordinale ?Mon modèle actuel contient 2 variables explicatives continues et une variable de réponse continue.Je sais que dans le monde réel, la variable ordinale est importante et affecte clairement la variable de réponse... Je ne sais tout simplement pas comment capturer cet effet.Pour le contexte, je modélise (c'est-à-dire prédis) comment l'ecoli (variable de réponse) est affecté par la turbidité (continue), les précipitations dans certains endroits proches (continu) et d'autres variables qui n'ont pas amélioré l'ajustement du modèle.Je sais, cependant, que le point auquel le niveau de la rivière augmente (appelé stade de montée) contient généralement des ecoli plus élevés en raison du lessivage initial du bassin versant et souvent cet intervalle de stade de montée contient plus d'ecoli que même au stade de pointe.Nous le savons grâce aux observations.Donc... ces cas de phase ascendante devraient, idéalement, être capturés dans le modèle, et il semble que la meilleure façon de le faire est d'utiliser une variable ordinale (par exemple, augmentation rapide = 2, augmentation lente = 1, pas d'augmentation). , montée très lente, ou descente = 0).Jusqu'ici, tout va bien.Mais je ne sais pas comment intégrer cela dans mon modèle prédictif de « ecoli » par rapport aux « variables continues et ordinales ».Des suggestions ou des directives à ce sujet ?Merci d'avance.
Exploration et visualisation des donnéesRe : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesMerci Statman.Je vais essayer.
Re : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesJe ne suis pas exactement sûr de votre situation particulière, mais oui, le delta change avec le temps. Les variables continues seront toujours plus utiles et nécessiteront moins de données.
Re : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesC'est en fait une bonne idée et une meilleure mesure que celle que j'utilise.Pensez-vous à la montée du delta/au temps delta ?
Re : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesMerci beaucoup pour la contribution Diedrich.Je vais essayer.Au fait, j'utilise JMP version 12.1.
Re : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesPourquoi ne mesurez-vous pas le taux réel de montée/descente en tant que variable continue au lieu de le catégoriser ?
Re : Essayer d'améliorer l'ajustement de régression multivariée (données continues) en incluant également des données ordinalesSalut @learning_JSL ,
Quelle version de JMP ou JMP Pro utilisez-vous ?
Vous pouvez incorporer les données ordinales sans problème. Vous pouvez même inclure des termes croisés de stade ascendant avec de la turbidité ou des précipitations. Ajoutez-le simplement dans la fenêtre de dialogue comme vous le feriez normalement. Vous pouvez vous entraîner à utiliser la table de données Big Class.jmp, en utilisant l'âge comme variable ordinale - je viens de le faire avec la personnalité du modèle PLS pour prédire la "taille" en fonction de l'âge, du sexe, du poids et de l'âge*poids, juste à titre d'exemple. .
Cela étant dit, si les données que vous modélisez ne proviennent pas d'un DOE (ce qui ne semble pas être le cas), vous devez vous assurer que vous utilisez une sorte de technique de validation croisée pour vous assurer que vous ne surajustez pas vos données. Il me semble que vous essayez de prédire les niveaux d'E.Coli dans les cours d'eau en fonction d'un certain nombre d'autres facteurs. Cela semble être un problème intéressant sur lequel travailler et d’une grande importance pour la santé publique.
Si vous disposez de Pro, vous souhaiterez exécuter des modèles avec différentes plates-formes pour voir laquelle génère le meilleur modèle prédictif sur des données que vous n'avez pas utilisées pour entraîner le modèle (en supposant que c'est ce que vous souhaitez faire en fin de compte). Vous voudrez essayer des choses dans GenReg, des arbres de décision et même des réseaux neuronaux. Vous pouvez ensuite comparer les modèles sur les données inutilisées et voir lequel fonctionne le mieux comme modèle de prédiction.
J'espère que cela t'aides. Bonne chance!,
DS
