層次回歸如何在層次回歸中指定變量塊
謝謝
消費者和市場研究回复：層次回歸這不是 I 型方差分析的目的嗎（在“估計”>“順序檢驗”中的“擬合模型”中打開）？
回复：層次回歸我很抱歉花了很長時間才回到這個討論。 我建議您將此請求添加到願望清單區域。 JMP Development 使用此資源從用戶那裡獲取想法。
回复：層次回歸這有幫助。
R sq 太糟糕了，這是我使用的一個重要診斷。
舊的 SPSS 例程對於進行調查研究的人們非常有用，尤其是想要隔離媒體變量的影響。
此討論中的人們確實很有幫助，但我看到我想要的 JMP 實現有點像黑客
如果我為 JMP 提供建議，我會要求該例程變得更加透明一些。
對於我們這些老傢伙來說，逐步回歸的想法也提出了一個危險信號，這可以追溯到最初的栗色 SPSS 手冊。 也許我是唯一剩下的人了，這不是問題。
回复：層次回歸這正是我以前在 SPSS 中所做的。 我也想在 JMP 中這樣做
回复：層次回歸您不必在 Stepwise 平台中單擊“Go”或“Step”，也不必使用您希望避免的自動模型選擇方法。 您可以使用“分析”>“擬合模型”啟動對話框指定完整模型中的所有項，然後根據先驗知識將它們按您認為合適的方式按組添加。 也就是說，您可以通過一起輸入的術語來識別塊。 歷史記錄部分允許您使用單選按鈕選擇任何先前的模型，然後它會返回到該模型。 您想要的某些信息（例如 R 方的變化）無法直接獲得。
回复：層次回歸這個程序這就是他所說的。
回复：層次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，用於指定變異或因素的組成部分之間的特定關係。 層次結構意味著存在必須考慮的合理順序。 例如批次間和批次內。 批次內必須嵌套批次內...您無法從批次內樣本中獲取多個批次。
這是我的想法：
關於 ”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可以解釋因變量 (DV) 中統計上顯著的方差的方法。”
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。 這完全取決於數據的收集方式。 我不太清楚“考慮到所有其他變量後”是什麼意思？ 使用 III 型 SS 進行分析將在考慮模型中的所有其他項後評估模型中的每個項，但我不認為這就是您的意思......
2. 解釋軟件所做的分析始終需要上下文。 上下文必須由主題“專家”提供。
3. 設計一個由假設驅動的數據收集計劃，並隨後包括代表這些假設的變異源，這是您要做的事情……而不是軟件的事情。 您可以決定如何選擇對這些來源進行子集化以及想要進行哪些比較。 這些來源是嵌套的、系統的還是交叉的取決於您收集數據的方式。
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該值，並且我會使用調整後的 Rsq 作為默認值。 考慮 Rsq 和調整後的 Rsq 之間的增量（用於過度指定模型）、RMSE、p 值、殘差和殘差圖等。等人。
5.”在此框架中，您可以通過在每一步向先前的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。” 這本質上是逐步回歸。 您可以選擇要開始的組件以及要添加的組件，也可以讓軟件根據以下內容進行評估：您設定的標準。
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
您還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 中這很容易做到，但令我有點失望的是 JMP 沒有提供類似的方法來順序創建變量塊。” 我不使用 SPSS，但如果您能向我們展示您的意思，我們也許可以為您提供指導。 軟件按順序創建塊是什麼意思？ 你輸入將假設導入 SPSS，它會正確地為您創建塊嗎？ 我想看看。
7.攻擊性行為測量=（年齡、性別）+（教育、收入）+（電視暴力暴露）。 還有許多變量尚未包含或與模型混淆。 人口統計、家庭單位、個人創傷、成長經歷、真實暴力的暴露。 你如何衡量攻擊行為？您的測量系統是否一致？ 您的測量系統是否會導致結果出現偏差？
回复：層次回歸層次回歸的想法對於不同的人來說似乎有不同的含義。 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可以解釋因變量 (DV) 中統計顯著方差量的方法。 這是模型比較的框架而不是統計方法。 在此框架中，您可以通過在每一步向先前的模型添加變量來構建多個回歸模型；後面的模型總是包含前面步驟中較小的模型。 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進右2 （模型解釋 DV 方差的比例）。
這個想法是要考慮可能混淆或隱藏感興趣變量影響的來源的差異。 例如，電視效果。 模型可能想知道攻擊性活動是否是由觀看卡通暴力“引起”的，但還有其他因素，因此分層模型可能包括一一輸入的變量塊。由於所有虛假方差均由塊 R sq 計算，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）+（電視暴力暴露）
您查看每個塊的 R 平方。（你忽略每個塊內的活動。）如果電視暴力仍然有一個有趣的 Rsq，你就聲稱即使在考慮其他變量之後它仍然很重要。這樣你就可以做出相當有力的主張。
在 SPSS 中這很容易做到，但令我有點失望的是 JMP 沒有提供類似的方法來順序創建變量塊。
除非 JMP 通過 Stepwise 解決了一些問題，呃。回到研究生院時，我們被告知逐步是“一無所知”回歸，因為輸入的順序變量與程序的算法有關，而不是與理論有關。通過將變量放入和取出逐步模型並觀察係數的變化，可以很容易地顯示這一點。 JMP 文檔逐步建議運行一個複雜的模型，然後根據“顯著性”NOT 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：層次回歸如果您提到分層線性回歸，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）：
- 在標準最小平方報告中添加/刪除術語，
- 逐步回歸，
- 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/刪除項的選項，您可以按照逐步部分中的描述比較您的摘要統計數據。
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。使用擬合模型將每組中所有可能的項添加為模型效果。 例如，如果您想根據身高和體重預測大類數據集中的年齡，然後決定是否應添加身高*體重項，則需要在模型啟動對話框中添加所有這三個項。然後在第一個塊中輸入術語，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”部分中的設置自動進入您自己選擇的模型。
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（我忽略權重的 P 值）：
現在添加第二個塊，並註意 R 方如何略有上升，但 AIC 和 BIC 也略有上升，這可能表明您不想包含第二個塊。
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，請記住這些都不需要是線性模型。 您可能會收到一條消息，指出您缺少效應，因為 JMP（正確地）不想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塊。 在這種情況下，兩項的 p 值都非常高，表明您不應包含塊 2。
要使用這兩個模型進行預測，只需添加每個模型的預測即可：
回复：層次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)
