erweiterte Schätzungen (standardisiert) für kategoriale Variablen in der Quantilregression (ein Workaround wie in OLS?)Ich suche nach einer Möglichkeit, erweiterte Schätzungen (standardisierte Betas) für zwei kategoriale Variablen in einer Quantilregression zu erstellen. In OLS funktioniert die Standardisierung aller kontinuierlichen Prädiktoren und des Ergebnisses zuerst und dann die Verwendung des Dropdown-Menüs "erweiterte Schätzungen" hervorragend und führt zu schon fast die gleichen Ergebnisse wie ein Rechtsklick auf die ursprünglichen "Parameterschätzer" für "Std Beta", nachdem einfach das Referenzniveau für die kategorialen Variablen einzeln ausgetauscht wurde.
Die Verwendung dieses Workarounds (Ausschalten des Referenzpegels) in der Quantilregression gibt mir jedoch sehr unterschiedliche Ergebnisse für die kategorialen Variablen. Und es gibt keine Option "erweiterte Schätzungen" in der Quantil-Regressionsplattform, die ich finden kann. Diese erweiterte Schätzung nicht zu erhalten, ist ein Hindernis für die Erstellung von Quantilprozessdiagrammen zum Vergleich mit den OLS-Diagrammen, da bei ersteren zwei ganze Ebenen der kategorialen Variablen fehlen. Ich vermute, dass dies nicht durch die Effektcodierung kategorialer Variablen, die jmp verwendet, möglich ist? Oder einfach aufgrund der Art der Regressionsunterschiede (OLS vs. Quantil)? Ich bin neu in der Quantilregression (ja, ich muss sie hier verwenden). Aber wenn erweiterte Schätzungen für kategoriale Variablen hier nicht unmöglich sind, weiß jemand wie? Eine Arbeit herum?
AnalytikDatentabelleMac OSSonstigesBetreff: erweiterte Schätzungen (standardisiert) für kategoriale Variablen in der Quantilregression (ein Workaround wie in OLS?)Der Grund dafür, dass erweiterte Schätzungen in der Methode der kleinsten Quadrate, nicht aber in der generalisierten Regression verfügbar sind, liegt an der unterschiedlichen Art und Weise, in der derselbe lineare Prädiktor von jeder Plattform parametrisiert wird. Jede Ebene eines kategorialen Faktors wird durch einen Parameter im Modell dargestellt. JMP erstellt diese Parameter automatisch, wenn ein kategorialer Faktor als Begriff in das Modell eingegeben wird.
Fit Least Squares verwendet eine Effektcodierung, bei der die Summe der Schätzungen gleich Null sein muss. Daher muss die Schätzung des Parameters der letzten Ebene k gleich dem Negativen der Summe der ersten k-1 Schätzungen sein. JMP zeigt dieses Niveau traditionell nicht an, da es eingeschränkt und nicht geschätzt ist.
GenReg verwendet eine andere Parametrierung. wobei die letzte Ebene die Referenz ist und auf Null gesetzt wird. Diese Parametrisierung ist für Modellauswahltechniken vorteilhaft.
