層次回歸如何在分層回歸中指定變量塊
謝謝
分析回复：分層回歸問題是如何抓取很多列？
可能您想使用列過濾器菜單：
在平台中啟動 Windows (jmp.com)
回复：分層回歸如果您參考分層線性回歸，那麼我認為這不是 JMP 中的一個單獨平台。這可能是因為有相當簡單的替代方案（至少基於我對分層線性回歸的理解）：
- 在標準 leas squares 報告中添加/刪除條款，
- 逐步回歸，並且，
- 集成建模。
請注意，對於集成建模，您可以將其擴展到線性回歸之外，您可以決定是否在線性回歸之後包含分區。
添加/刪除條款
最小二乘報告的效果摘要部分具有添加/刪除術語的選項，您可以按照逐步部分中的說明比較摘要統計信息。
逐步
您可以按任意順序單獨添加變量，而不是在塊中添加變量，並在添加每個塊後停止。使用擬合模型將每個組中的所有可能項添加為模型效果。 例如，如果您想根據身高和體重來預測大類數據集中的年齡，然後決定是否應該添加身高*體重項，您可以在模型啟動對話框中添加所有三個項。然後在你的第一個塊中輸入條款，記錄模型擬合參數，然後添加第二個塊並進行比較。您可以使用逐步回歸控制部分中的設置自動獲得您自己選擇的模型。
在擬合模型啟動中添加所有模型效果並逐步選擇：
添加第一個塊的變量（我忽略了權重的 P 值）：
現在添加第二個區塊並註意 R 方是如何略微上升的，但 AIC 和 BIC 也是如此，這可能表明您不想包含第二個區塊。
集成建模
在擬合模型中，使用第一個塊構建模型並保存殘差。 然後嘗試使用後續模型預測殘差。
使用第一個塊構建模型：這裡我將年齡轉換為連續的以使示例更簡單。
保存預測和殘差：
現在再次啟動擬合模型並使用第二個塊預測第一個模型的殘差，記住這些都不需要是線性模型。 您可能會收到一條消息，指出您缺少效果，因為 JMP（正確地）不希望在沒有每個單獨項的情況下從交叉項構建模型。在此示例中，它們已包含在上一步中，但您可以再次添加。
現在您可以使用此模型中的結果來決定是否在最終模型中包含第二個模塊。 在這種情況下，這兩項的 p 值都非常高，表明您不應包含塊 2。
要使用這兩個模型獲得預測，只需添加每個模型的預測：
回复：分層回歸分層回歸的想法似乎對不同的人有不同的含義。 這是我正在尋找的：
分層回歸是一種顯示您感興趣的變量在考慮所有其他變量後是否解釋了因變量 (DV) 中統計上顯著的方差的一種方式。 這是模型比較的框架，而不是統計方法. 在此框架中，您通過在每一步向先前模型添加變量來構建多個回歸模型；後面的模型總是在前面的步驟中包含較小的模型。 在許多情況下，我們的興趣是確定新添加的變量是否顯示出顯著的改善R 2 （模型解釋的 DV 方差的比例）。
這個想法是考慮可能混淆或隱藏感興趣變量的影響的來源的差異。 例如，電視效果。 模型可能想知道觀看卡通暴力是否“引起”了攻擊性活動，但還有其他因素，因此分層模型可能包括一個一個輸入的變量塊。由於塊 R sq 考慮了所有虛假方差，最後一項是感興趣的變量。 該模型可能如下所示：
攻擊性行為測量=（年齡、性別）+（教育、收入）+（電視暴力曝光）
您查看每個塊的 R 平方。（您忽略每個區塊內的活動。）如果電視暴力仍然存在有趣的 Rsq，您聲稱即使在考慮其他變量之後它也很重要。這樣你就可以提出一個非常有力的主張。
這在 SPSS 中很容易做到，我有點失望的是 JMP 沒有提供類似的方法來順序創建變量塊。
除非 JMP 用 Stepwise 解決了一些問題，UGH。回到研究生院，我們被教導逐步是“一無所知”回歸，因為輸入的順序變量與程序的算法有關，而不是理論。這很容易通過將變量放入和退出逐步模型並觀察係數變得瘋狂來顯示。 JMP 文檔逐步建議運行一個複雜模型，然後根據“重要性”不刪除變量
我會看看你在帖子末尾給我的例子，但我不確定這就是我要找的
謝謝您的幫助
回复：分層回歸你的解釋比你原來的帖子好多了，謝謝。 層次結構（或嵌套）是一個特定術語，用於指定變異成分或因素之間的特定關係。 等級制度意味著必須考慮到一個合理的秩序。 例如批次間和批次內。 批次內必須嵌套在批次內......您不能從批次內樣本中獲得多個批次。
以下是我的想法：
關於 ”層次回歸是一種顯示您感興趣的變量在考慮所有其他變量後是否解釋了因變量 (DV) 中具有統計意義的差異的一種方式。”
1. 統計顯著性是一個條件陳述。 它取決於推理空間以及正在比較的組件。 這完全取決於收集數據的方式。 我不確定您所說的“在考慮所有其他變量之後”是什麼意思？ 在考慮了模型中的所有其他項之後，使用 III 型 SS 的分析將評估模型中的每個項，但我認為這不是您的意思……
2. 解釋軟件所做的分析總是需要上下文。 上下文必須由主題“專家”提供。
3. 設計一個由假設驅動並隨後包含代表這些假設的變異來源的數據收集計劃是您要做的事情……而不是軟件。 您如何選擇對這些來源進行子集化以及要進行哪些比較是您的決定。 這些來源是嵌套的、系統的還是交叉的，取決於您如何收集數據。
4. Rsq 只是用於開發模型的指標之一。 我不會將模型構建限制為那個值，我會使用 Rsq 調整為默認值。 考慮 Rsq 和 Rsq 之間的增量調整（用於過度指定模型）、RMSE、p 值、殘差和殘差圖等。人。
5."在此框架中，您通過在每一步向先前模型添加變量來構建多個回歸模型；以後的模型總是在前面的步驟中包含較小的模型。” 這本質上是逐步回歸。 您可以選擇要開始使用的組件以及要添加的組件，或者您可以讓軟件根據你設定的標準。
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/stepwise-regression-models.shtml
您也可以使用分區平台來執行類似的功能。
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/partition-models.shtml
JMP 中的另一個選項是比較模型：
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/model-comparison.shtml#186176
6."在 SPSS 中很容易做到，但我有點失望 JMP 沒有提供類似的方法來順序創建變量塊。” 我不使用 SPSS，但如果你能告訴我們你的意思，我們也許可以指導你。 你是什麼意思軟件順序創建塊？ 你輸入假設進入 SPSS 並正確地為您創建塊？ 我想看看。
7.攻擊性行為測量=（年齡、性別）+（教育、收入）+（電視暴力曝光）。 還有更多變量您沒有包含或與您的模型混淆。 人口統計、家庭單位、個人創傷、成長經歷、接觸真實暴力。 你如何衡量攻擊性行為？您的測量系統是否一致？ 您的測量系統是否對結果產生偏差？
