Régression hiérarchiqueComment spécifier des blocs de variables dans une régression hiérarchique
Merci
AnalytiqueRe : Régression hiérarchiqueLa question est de savoir comment saisir plusieurs colonnes ?
Peut-être souhaitez-vous utiliser le menu Filtre de colonne :
Lancer Windows dans les plates-formes (jmp.com)
Re : Régression hiérarchiqueSi vous vous référez à la régression linéaire hiérarchique, je ne pense pas qu'il s'agisse d'une plate-forme distincte dans JMP.Cela pourrait être dû au fait qu'il existe des alternatives assez simples (du moins d'après ma compréhension de la régression linéaire hiérarchique):
- ajouter/supprimer des termes dans le rapport des moindres carrés standard,
- régression pas à pas et,
- modélisation d'ensemble.
Notez que pour la modélisation d'ensemble, vous pouvez étendre cela au-delà de la simple régression linéaire, vous pouvez décider d'inclure ou non une partition après une régression linéaire.
Ajouter/supprimer des termes
La section de résumé des effets du rapport des moindres carrés a des options pour ajouter/supprimer des termes, vous pouvez comparer vos statistiques récapitulatives comme décrit dans la section étape par étape.
Pas à pas
Au lieu d'ajouter des variables dans des blocs, vous pouvez les ajouter individuellement dans n'importe quel ordre et vous arrêter après avoir ajouté chaque bloc.En utilisant le modèle d'ajustement, ajoutez tous les termes possibles dans chaque groupe en tant qu'effets de modèle. Par exemple, si vous souhaitez prédire l'âge dans le grand ensemble de données de classe à partir de la taille et du poids, puis décider si vous devez ajouter le terme taille*poids, vous devez ajouter les trois termes dans la boîte de dialogue de lancement du modèle.Entrez ensuite les termes dans votre premier bloc, enregistrez l'ajustement du modèle paramètres , puis ajoutez votre deuxième bloc et comparez.Il est possible que vous puissiez utiliser les paramètres de la section Stepwise Regression Control pour vous amener automatiquement au modèle que vous auriez choisi vous-même.
Dans le lancement de Fit Model, ajoutez tous les effets de modèle et sélectionnez pas à pas :
Ajoutez les variables du premier bloc (j'ignore la valeur P pour le poids):
Ajoutez maintenant le deuxième bloc et notez comment le RSquare a légèrement augmenté, mais aussi l'AIC et le BIC, indiquant probablement que vous ne voudriez pas inclure le deuxième bloc.
Modélisation d'ensemble
Dans le modèle d'ajustement, construisez un modèle en utilisant le premier bloc et enregistrez les résidus. Essayez ensuite de prédire les résidus à l'aide de modèles ultérieurs.
Construisez un modèle en utilisant le premier bloc : ici, j'ai converti l'âge en continu pour simplifier l'exemple.
Enregistrez les prédictions et les résidus :
Maintenant, lancez à nouveau le modèle d'ajustement et prédisez le résidu du premier modèle à l'aide du deuxième bloc, rappelez-vous qu'aucun de ces modèles n'a besoin d'être des modèles linéaires. Vous pouvez recevoir un message indiquant qu'il vous manque un effet car JMP (correctement) ne souhaite pas créer un modèle à partir du terme croisé sans chaque terme individuel.Dans cet exemple, ils étaient déjà inclus dans l'étape précédente, mais vous pouvez les ajouter à nouveau.
Vous pouvez maintenant utiliser les résultats de ce modèle pour décider d'inclure ou non le deuxième bloc dans votre modèle final. Dans ce cas, la valeur p pour les deux termes est très élevée, ce qui indique que vous ne devez pas inclure le bloc 2.
Pour obtenir la prédiction à l'aide des deux modèles, ajoutez simplement les prédictions de chacun :
Re : Régression hiérarchiqueL'idée de régression hiérarchique semble avoir une signification différente pour différentes personnes. Voici ce que je recherche :
La régression hiérarchique est un moyen de montrer si les variables qui vous intéressent expliquent une quantité statistiquement significative de variance dans votre variable dépendante (DV) après avoir pris en compte toutes les autres variables. Il s'agit d'un cadre de comparaison de modèles plutôt que d'une méthode statistique . Dans ce cadre, vous construisez plusieurs modèles de régression en ajoutant des variables à un modèle précédent à chaque étape ; les modèles ultérieurs incluent toujours des modèles plus petits dans les étapes précédentes. Dans de nombreux cas, notre intérêt est de déterminer si les variables nouvellement ajoutées montrent une amélioration significative de R 2 (la proportion de variance expliquée en DV par le modèle).
L'idée est de tenir compte de la variance des sources qui pourraient confondre ou dissimuler les effets de la variable d'intérêt. Par exemple, les effets TV. Un modèle peut vouloir savoir si une activité agressive est "causée" par le fait de regarder des dessins animés violents, mais il existe d'autres facteurs, de sorte qu'un modèle hiérarchique peut inclure des blocs de variables entrés un par un.Avec toutes les variances parasites représentées par a blocs R², le dernier terme est la variable d'intérêt. Le modèle pourrait ressembler à ceci :
Mesure du comportement agressif = (âge, sexe) + (éducation, revenu) + (exposition à la violence à la télévision)
Vous regardez le R sq pour chaque bloc.(Vous ne tenez pas compte de l'activité au sein de chaque bloc.) S'il existe toujours un Rsq intéressant pour la violence à la télévision, vous affirmez qu'il est significatif même après la prise en compte des autres variables.De cette façon, vous pouvez faire une réclamation assez forte.
C'est facile à faire dans SPSS, et je suis un peu déçu que JMP n'offre pas un moyen similaire de créer séquentiellement des blocs de variables.
Sauf s'il y a quelque chose que JMP a compris avec Stepwise, UGH.De retour à l'école doctorale, on nous a appris que la régression par étapes est « ne sait rien », car les variables d'ordre entrées sont liées à l'algorithme du programme et non à la théorie.Ceci est facile à montrer en laissant tomber des variables dans et hors d'un modèle pas à pas et en regardant les coefficients devenir fous. Le document JMP sur Stepwise suggère d'exécuter un modèle complexe, puis de supprimer des variables en fonction de leur "signification" NON
Je vais regarder l'exemple que vous m'avez donné à la fin de votre message, mais je ne suis pas sûr que ce soit ce que je recherche
Merci pour l'aide
Re : Régression hiérarchiqueVotre explication est bien meilleure que votre message d'origine, merci. La hiérarchie (ou imbriquée) est un terme spécifique utilisé pour désigner une relation spécifique entre des composantes de variation ou des facteurs. La hiérarchie implique qu'il existe un ordre rationnel qui doit être pris en compte. Par exemple Lot à lot et dans un lot. Dans le lot doit être imbriqué dans le lot ... vous ne pouvez pas obtenir plusieurs lots à partir d'un échantillon dans le lot.
Voici mes réflexions :
Concernant " La régression hiérarchique est un moyen de montrer si les variables qui vous intéressent expliquent une quantité statistiquement significative de variance dans votre variable dépendante (DV) après avoir pris en compte toutes les autres variables."
1. La signification statistique est une déclaration conditionnelle. Cela dépend de l'espace d'inférence et des composants qui sont comparés. Cela dépend entièrement de la manière dont les données ont été collectées. Je ne sais pas exactement ce que vous entendez par "après avoir pris en compte toutes les autres variables" ? L'analyse à l'aide de SS de type III évaluera chaque terme de votre modèle une fois que tous les autres termes de votre modèle auront été pris en compte, mais je ne pense pas que ce soit ce que vous voulez dire ...
2. Le contexte est toujours nécessaire pour interpréter l'analyse effectuée par le logiciel. Le contexte doit être fourni par le sujet "experts".
3. Concevoir un plan de collecte de données qui repose sur des hypothèses et inclut par la suite les sources de variation représentatives de ces hypothèses est quelque chose que vous faites... pas le logiciel. La façon dont vous choisissez de sous-ensembler ces sources et les comparaisons que vous voulez faire est votre décision. Que ces sources soient imbriquées, systématiques ou croisées dépend de la manière dont vous collectez les données.
4. Les Rsq ne sont qu'une des mesures utilisées pour développer des modèles. Je ne limiterais pas la construction du modèle à cette seule valeur et j'utiliserais Rsq ajusté par défaut. Considérez le delta entre Rsq et Rsq ajusté (pour sur-spécifier le modèle), RMSE, p-values, résidus et parcelles résiduelles, et. Al.
5. " Dans ce cadre, vous construisez plusieurs modèles de régression en ajoutant des variables à un modèle précédent à chaque étape ; les modèles ultérieurs incluent toujours des modèles plus petits dans les étapes précédentes." Il s'agit essentiellement d'une régression pas à pas. Vous pouvez choisir les composants avec lesquels commencer et les composants à ajouter ou vous pouvez laisser le logiciel évaluer cela en fonction de critères que vous définissez.
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
Vous pouvez également utiliser des plates-formes de partitionnement pour exécuter des fonctions similaires.
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/partition-models.shtml
Une autre option dans JMP consiste à comparer des modèles :
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. " C'est facile à faire dans SPSS, et je suis un peu déçu que JMP n'offre pas une méthode similaire pour créer séquentiellement des blocs de variables." Je n'utilise pas SPSS, mais si vous pouviez nous montrer ce que vous voulez dire, nous pourrions peut-être vous guider. Que voulez-vous dire par le fait que le logiciel crée séquentiellement des blocs ? Vous entrez hypothèses dans SPSS et cela crée correctement des blocs pour vous ? J'aimerais voir ça.
7. Mesure du comportement agressif = (âge, sexe) + (éducation, revenu) + (exposition à la violence à la télévision). Il y a beaucoup plus de variables que vous n'avez pas incluses ou qui sont confondues avec votre modèle. Démographie, unité familiale, traumatisme personnel, éducation, exposition à la violence réelle. Et comment mesure-t-on un comportement agressif ?Votre système de mesure est-il cohérent ? Votre système de mesure biaise-t-il les résultats ?
