estimations élargies (standardisées) pour les variables catégorielles dans la régression quantile (une solution de contournement comme dans les MCO ?)Je cherche un moyen de produire des estimations élargies (bêtas standardisés) pour deux variables catégorielles dans une régression quantile. Avec la méthode des MCO, standardiser d'abord tous les prédicteurs continus et le résultat, puis utiliser le menu déroulant « Estimations élargies », fonctionne parfaitement et produit des résultats quasiment identiques à ceux d'un clic droit sur les « Estimations des paramètres » d'origine pour « Bêta standard », après avoir simplement modifié le niveau de référence des variables catégorielles, une par une.
Cependant, utiliser cette solution de contournement (changer le niveau de référence) dans la régression quantile donne des résultats très différents pour les variables catégorielles. De plus, je n'ai pas trouvé d'option « estimations étendues » dans la plateforme de régression quantile. L'impossibilité d'obtenir cette estimation étendue complique la construction de graphiques de processus quantile à comparer aux graphiques MCO, car les premiers manquent deux niveaux entiers de variables catégorielles. Je soupçonne que cela est impossible à cause du codage des effets des variables catégorielles utilisé par JMP ? Ou simplement à cause des différences de type de régression (MCO vs quantile) ? Je suis novice en régression quantile (oui, je dois l'utiliser ici). Mais si les estimations étendues pour les variables catégorielles ne sont pas impossibles à produire ici, quelqu'un sait-il comment ? Une solution de contournement ?
Fusion et nettoyage des donnéesExploration et visualisation des donnéesRe : estimations étendues (standardisées) pour les variables catégorielles dans la régression quantile (un contournement comme dans OLS ?)Excellent. Merci pour l'explication
Re : 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 en tant que terme dans le modèle.
L'ajustement des moindres carrés utilise un codage d'effet, 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 généralement pas ce niveau, car il est limité et non estimé.
GenReg utilise un paramétrage différent. dans lequel le dernier niveau est la référence et mis à zéro. Ce paramétrage est avantageux pour les techniques de sélection de modèles.
