nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

436714_fr-FR

liliconcom

Demande de validation de l'utilisation du modèle mixte

J'ai des dizaines de milliers de lignes de données, où chaque ligne est un objet et les colonnes sont des prédicteurs. Mes colonnes d'intérêt sont des mesures sensorielles sur une échelle de 10 points. À partir de la sélection des variables, j'ai réduit mes prédicteurs à 3 variables catégorielles.Je suis intéressé à identifier quels niveaux sont les plus influents (j'ai 33 niveaux au total) et la direction de l'influence.Je n'ai pas besoin de faire des cibles de prédiction numérique ; un modèle qualitatif explicable est suffisant.

Je pense qu'un modèle mixte servirait mon objectif ; les valeurs p estimées des paramètres d'effets fixes me permettraient d'identifier les niveaux spécifiques sur lesquels me concentrer.Question : Est-ce que leur estimation de paramètre fixe serait un moyen de classer l'impact et le signe de l'estimation indique-t-il la direction de l'effet (c'est-à-dire que + signifie que l'augmentation du niveau augmente la réponse et que la diminution du niveau diminue la réponse) ?

Mes excuses mais je n'ai jamais utilisé de modèle mixte auparavant .Merci d'avance pour tout commentaire.

Analytique

Re : Demande de validation de l'utilisation du modèle mixte

Est-il possible d'afficher une image des premières lignes de votre tableau de données ? Cela m'aiderait à imaginer avec quoi vous travaillez.

Pourquoi un modèle à effets mixtes ? De quel effet aléatoire devez-vous tenir compte ?

Oui, votre interprétation des estimations des paramètres est correcte. Vous pouvez également examiner les détails de l'effet pour chaque terme significatif. Les détails incluent les LS Means pour chaque niveau. En option, vous pouvez tracer les moyennes LS et tester les différences entre des niveaux spécifiques ou des combinaisons de niveaux avec des contrastes.

Le profileur de prédiction est également un excellent outil pour comprendre l'effet de chaque niveau de chaque facteur catégoriel. Notez qu'il est basé sur le modèle, donc si vous avez des interactions significatives entre les prédicteurs, ce graphique interactif est encore plus précieux pour comprendre les effets combinés.