Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesHola: ¿Es posible o aconsejable intentar mejorar el ajuste de mi modelo de regresión lineal múltiple incorporando también una variable ordinal?Mi modelo actual contiene 2 variables explicativas continuas y una variable de respuesta continua.Sé que en el mundo real la variable ordinal SÍ importa y claramente afecta la variable de respuesta... Simplemente no estoy seguro de cómo capturar ese efecto.Para el contexto, estoy modelando (es decir, prediciendo) cómo ecoli (variable de respuesta) se ve afectada por la turbidez (continua), la lluvia en ciertas ubicaciones cercanas (continua) y otras variables que no mejoraron el ajuste del modelo.Sin embargo, sé que el punto en el que aumenta el nivel del río (denominado etapa de ascenso) generalmente contiene ecoli más altos debido al lavado inicial de la cuenca y, a menudo, este intervalo de etapa de ascenso contiene más ecoli que incluso en la etapa máxima.Lo sabemos por observaciones.Entonces... estos casos de etapa ascendente deberían, idealmente, capturarse en el modelo, y parece que la mejor manera de hacerlo es usar una variable ordinal (por ejemplo, aumento rápido = 2, aumento lento = 1, sin aumento). , ascenso o descenso muy lento = 0).Hasta ahora, todo bien.Pero no estoy seguro de cómo incorporar esto en mi modelo predictivo de "ecoli" frente a "variables continuas y ordinales".¿Alguna sugerencia o dirección sobre esto?Gracias de antemano.
Exploración y visualización de datosRe: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesGracias Estatman.Lo probaré.
Re: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesNo estoy exactamente seguro de su situación particular, pero sí, el delta cambia con el tiempo. Las variables continuas siempre serán más útiles y requerirán menos datos.
Re: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesEn realidad, es una buena idea y una mejor medida que la que estoy usando.¿Estás pensando en aumento delta / tiempo delta?
Re: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesMuchas gracias por el aporte Diedrich.Lo probaré.Por cierto, estoy usando JMP versión 12.1.
Re: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinales¿Por qué no se mide la tasa real de aumento/caída como una variable continua en lugar de categorizarla?
Re: Intentar mejorar el ajuste de regresión multivariante (datos continuos) incluyendo también datos ordinalesHola @aprendizaje_JSL ,
¿Qué versión de JMP o JMP Pro estás ejecutando?
Puedes incorporar los datos ordinales sin problema. Incluso se pueden incluir términos cruzados de fase ascendente con turbidez o precipitaciones. Simplemente agréguelo en la ventana de diálogo como lo haría normalmente. Puedes practicar usando la tabla de datos Big Class.jmp, usando la edad como variable ordinal. Lo acabo de hacer con el modelo de personalidad PLS para predecir la "altura" según la edad, el sexo, el peso y la edad*peso, solo como ejemplo. .
Dicho esto, si los datos que está modelando no provienen de un DOE (lo cual no parece que lo sea), querrá asegurarse de utilizar algún tipo de técnica de validación cruzada para asegurarse de que no estás sobreajustando tus datos. Para mí, parece que estás tratando de predecir los niveles de E. Coli en las vías fluviales dependiendo de otros factores. Suena como un problema interesante en el que trabajar y de gran importancia para la salud pública.
Si tiene Pro, querrá ejecutar modelos con diferentes plataformas para ver cuál genera el mejor modelo predictivo sobre datos que no ha utilizado para entrenar el modelo (suponiendo que esto es lo que finalmente desea hacer). Querrá probar cosas en GenReg, árboles de decisión e incluso redes neuronales. Luego puede comparar los modelos con los datos no utilizados y ver cuál funciona mejor como modelo de predicción.
Espero que esto ayude. ¡Buena suerte!,
DS
