stime estese (standardizzate) per le variabili categoriali nella regressione quantile (una soluzione come in OLS?)Sto cercando un modo per produrre stime estese (beta standardizzati) per due variabili categoriali in una regressione quantile. In OLS, standardizzare prima tutti i predittori continui e il risultato, quindi utilizzare il menu a discesa "stime estese" funziona alla grande e produce quasi esattamente gli stessi risultati del clic con il tasto destro del mouse sulle "stime dei parametri" originali per "Std Beta" dopo aver semplicemente cambiato il livello di riferimento per le variabili categoriali, una per una.
Tuttavia, l'utilizzo di questa soluzione (cambiando il livello di riferimento) nella regressione quantile mi dà molto risultati diversi per le variabili categoriali. E non esiste un'opzione "stime estese" nella piattaforma di regressione quantile che posso trovare. Non essere in grado di ottenere quella stima estesa è un ostacolo per la costruzione di grafici del processo quantile da confrontare con i grafici OLS, poiché al primo mancano due interi livelli delle variabili categoriali. Ho il sospetto che non possa essere fatto a causa della codifica degli effetti delle variabili categoriali che jmp utilizza? O semplicemente a causa del tipo di differenze di regressione (OLS vs quantile)? Sono nuovo nella regressione quantile (sì, devo usarlo qui). Ma se le stime estese per le variabili categoriali non sono impossibili da produrre qui, qualcuno sa come? Un lavoro in giro?
AnalisiTabella datiMac OSAltroRe: stime estese (standardizzate) per variabili categoriali nella regressione quantile (una soluzione come in OLS?)Il motivo per cui le stime estese sono disponibili in Fit Least Squares ma non in Regressione generalizzata ha a che fare con il diverso modo in cui lo stesso predittore lineare è parametrizzato da ciascuna piattaforma. Ogni livello di un fattore categoriale è rappresentato da un parametro nel modello. JMP crea automaticamente questi parametri quando un fattore categoriale viene immesso come termine nel modello.
Adatta ai minimi quadrati utilizza la codifica degli effetti, in cui la somma delle stime deve essere uguale a zero. Quindi la stima del parametro dell'ultimo livello k deve essere uguale al negativo della somma delle prime stime k-1. JMP tradizionalmente non mostra questo livello perché è vincolato, non stimato.
GenReg utilizza una parametrizzazione diversa. in cui l'ultimo livello è il riferimento e impostato a zero. Questa parametrizzazione è vantaggiosa per le tecniche di selezione del modello.
