estimations étendues (standardisées) pour les variables catégorielles dans la régression quantile (un contournement comme dans OLS ?)Je cherche un moyen de produire des estimations étendues (bêtas standardisés) pour deux variables catégorielles dans une régression quantile. Dans OLS, normaliser d'abord tous les prédicteurs continus et le résultat, puis utiliser la liste déroulante « estimations étendues » fonctionne très bien et produit presque exactement les mêmes résultats qu'un clic droit sur les "estimations de paramètres" d'origine pour "Std Beta" après avoir simplement changé le niveau de référence pour les variables catégorielles, une par une.
Cependant, l'utilisation de ce contournement (changement du niveau de référence) dans la régression quantile me donne très résultats différents pour les variables catégorielles. Et il n'y a pas d'option "estimations étendues" dans la plate-forme de régression quantile que je puisse trouver. Ne pas être en mesure d'obtenir cette estimation élargie est un frein pour la construction de diagrammes de processus quantiles à comparer avec les diagrammes OLS, car il manque deux niveaux entiers de variables catégorielles au premier. Je soupçonne que cela ne peut pas être fait à cause du codage des effets des variables catégorielles que jmp utilise? Ou simplement en raison du type de différences de régression (OLS vs quantile) ? Je suis nouveau dans la régression quantile (oui, je dois l'utiliser ici). Mais s'il n'est pas impossible de produire ici des estimations élargies pour les variables catégorielles, est-ce que quelqu'un sait comment ? Un travail autour ?
AnalytiqueTableau de donnéesmacOSAutreRe : estimations étendues (standardisées) pour les variables catégorielles dans la régression quantile (un contournement comme dans OLS ?)La raison pour laquelle des estimations étendues sont disponibles dans Ajuster les moindres carrés mais pas dans la régression généralisée est liée à la manière différente dont le même prédicteur linéaire est paramétré par chaque plate-forme. Chaque niveau d'un facteur catégoriel est représenté par un paramètre dans le modèle. JMP crée automatiquement ces paramètres lorsqu'un facteur catégoriel est saisi comme terme dans le modèle.
Fit Least Squares utilise le codage des effets, dans lequel la somme des estimations doit être égale à zéro. Ainsi l'estimation du paramètre du dernier niveau k doit être égale au négatif de la somme des premières k-1 estimations. JMP n'affiche traditionnellement pas ce niveau car il est contraint et non estimé.
GenReg utilise un paramétrage différent. dans laquelle le dernier niveau est la référence et mis à zéro. Ce paramétrage est avantageux pour les techniques de sélection de modèles.
