estimaciones expandidas (estandarizadas) para variables categóricas en regresión cuantílica (¿una solución alternativa como en OLS?)Estoy buscando una forma de producir estimaciones expandidas (betas estandarizadas) para dos variables categóricas en una regresión de cuantiles. En OLS, estandarizar todos los predictores continuos y el resultado primero, luego usar el menú desplegable "estimaciones expandidas" funciona muy bien y produce casi los mismos resultados exactos que hacer clic con el botón derecho en las "estimaciones de parámetros" originales para "Std Beta" después de simplemente cambiar el nivel de referencia para las variables categóricas, una por una.
Sin embargo, usar esta solución (cambiar el nivel de referencia) en la regresión cuantílica me da muy diferentes resultados para las variables categóricas. Y no hay ninguna opción de "estimaciones expandidas" en la plataforma de regresión cuantílica que pueda encontrar. No poder obtener esa estimación expandida es un obstáculo para la construcción de gráficos de proceso cuantiles para compararlos con los gráficos MCO, ya que al primero le faltan dos niveles completos de las variables categóricas. Sospecho que no se puede hacer debido a la codificación de efectos de las variables categóricas que utiliza jmp. ¿O simplemente debido al tipo de diferencias de regresión (MCO vs cuantil)? Soy nuevo en la regresión de cuantiles (sí, tengo que usarlo aquí). Pero si no es imposible producir aquí estimaciones ampliadas para variables categóricas, ¿alguien sabe cómo? ¿Un trabajo alrededor?
AnalíticaTabla de datosMac OSOtroRe: estimaciones expandidas (estandarizadas) para variables categóricas en regresión cuantílica (¿una solución alternativa como en OLS?)La razón por la que las estimaciones expandidas están disponibles en Ajustar mínimos cuadrados pero no en Regresión generalizada tiene que ver con la forma diferente en que el mismo predictor lineal es parametrizado por cada plataforma. Cada nivel de un factor categórico está representado por un parámetro en el modelo. JMP crea automáticamente estos parámetros cuando se ingresa un factor categórico como término en el modelo.
Ajustar mínimos cuadrados utiliza la codificación de efectos, en la que la suma de las estimaciones debe ser igual a cero. Entonces, la estimación del parámetro del último nivel k debe ser igual al negativo de la suma de las primeras k-1 estimaciones. JMP tradicionalmente no muestra este nivel porque está restringido, no estimado.
GenReg utiliza una parametrización diferente. en el que el último nivel es la referencia y se pone a cero. Esta parametrización es ventajosa para las técnicas de selección de modelos.
