erweiterte Schätzungen (standardisiert) für kategoriale Variablen in der Quantilsregression (ein Workaround wie in OLS?)Ich suche nach einer Möglichkeit, erweiterte Schätzungen (standardisierte Betas) für zwei kategoriale Variablen in einer Quantilsregression zu erstellen. In OLS funktioniert es hervorragend, zuerst alle kontinuierlichen Prädiktoren und das Ergebnis zu standardisieren und dann das Dropdown-Menü „Erweiterte Schätzungen“ zu verwenden. Dies führt zu fast denselben Ergebnissen wie ein Rechtsklick auf die ursprünglichen „Parameterschätzungen“ für „Standard-Beta“, nachdem einfach die Referenzwerte für die kategorialen Variablen einzeln ausgetauscht wurden.
Allerdings erhalte ich mit diesem Workaround (Austausch des Referenzniveaus) bei der Quantilsregression sehr unterschiedliche Ergebnisse für die kategorialen Variablen. Und ich kann in der Quantilsregressionsplattform keine Option für „erweiterte Schätzungen“ finden. Dass diese erweiterte Schätzung nicht verfügbar ist, erschwert die Erstellung von Quantilprozessdiagrammen zum Vergleich mit den OLS-Diagrammen, da in ersteren zwei vollständige Niveaus der kategorialen Variablen fehlen. Ich vermute, dass dies aufgrund der von jmp verwendeten Effektkodierung kategorialer Variablen nicht möglich ist? Oder einfach aufgrund der Art der Regressionsunterschiede (OLS vs. Quantil)? Ich kenne mich mit Quantilsregression nicht aus (ja, ich muss sie hier verwenden). Aber wenn es nicht unmöglich ist, erweiterte Schätzungen für kategoriale Variablen hier zu erstellen, weiß jemand, wie das geht? Einen Workaround?
Datenzusammenführung und -bereinigungDatenexploration und -visualisierungBetreff: Erweiterte Schätzungen (standardisiert) für kategoriale Variablen in der Quantilregression (eine Umgehung wie in OLS?)Exzellent. Danke für die Erklärung
Betreff: Erweiterte Schätzungen (standardisiert) für kategoriale Variablen in der Quantilregression (eine Umgehung wie in OLS?)Der Grund dafür, dass erweiterte Schätzungen in „Least Squares anpassen“, aber nicht in „Generalized Regression“ verfügbar sind, hat mit der unterschiedlichen Art und Weise zu tun, wie 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 Term in das Modell eingegeben wird.
Fit Least Squares verwendet Effektcodierung, bei der die Summe der Schätzungen gleich null sein muss. Daher muss die Schätzung des Parameters der letzten Ebene k gleich dem Negativwert der Summe der ersten k-1 Schätzungen sein. JMP zeigt dieses Niveau traditionell nicht an, da es beschränkt und nicht geschätzt ist.
GenReg verwendet eine andere Parametrisierung. wobei der letzte Pegel die Referenz ist und auf Null gesetzt wird. Diese Parametrisierung ist für Modellauswahltechniken vorteilhaft.
