계층적 회귀계층적 회귀 분석에서 변수 블록을 지정하는 방법
감사해요
소비자 및 시장 조사Re: 계층적 회귀그것이 Type I Anova(Estimates > Sequential Tests의 Fit Model에서 켜져 있음)의 목적이 아닌가요?
Re: 계층적 회귀이 논의로 돌아가는 데 오랜 시간이 걸려서 죄송합니다. 이 요청을 위시리스트 영역에 추가하는 것이 좋습니다. JMP 개발에서는 이 리소스를 사용하여 사용자로부터 아이디어를 얻습니다.
Re: 계층적 회귀이것이 도움이 됩니다.
R sq는 안타깝지만 이는 제가 사용하는 중요한 진단입니다.
기존 SPSS 루틴은 설문 조사를 수행하는 사람들, 특히 미디어 변수의 효과를 분리하려는 사람들에게 정말 유용했습니다.
이 토론에 참여한 사람들은 정말 도움이 되었지만 제가 원하는 JMP 구현은 약간의 해킹으로 보입니다.
제가 JMP에 조언한다면 이 루틴을 좀 더 투명하게 만들 것을 요청하고 싶습니다.
또한 우리 노인들 중 일부에게는 단계적 회귀라는 아이디어가 원래 적갈색 SPSS 매뉴얼로 거슬러 올라가는 위험 신호를 표시합니다. 어쩌면 나만 남은 것일 수도 있고 문제가 아닐 수도 있습니다.
Re: 계층적 회귀제가 SPSS에서 했던 일이 바로 이것이었습니다. JMP에서도 그렇게 하고 싶습니다
Re: 계층적 회귀Stepwise 플랫폼에서 Go 또는 Step을 클릭할 필요가 없으며 피하고 싶은 자동화된 모델 선택 접근 방식을 사용할 수 있습니다. 분석 > 적합 모형 실행 대화 상자를 사용하여 전체 모형의 모든 항을 지정한 다음 사전 지식을 통해 적합하다고 판단되는 대로 단계적 그룹에 추가할 수 있습니다. 즉, 함께 입력하는 용어로 블록을 식별할 수 있습니다. 기록 섹션에서는 라디오 버튼을 사용하여 이전 모델을 선택할 수 있으며 해당 모델로 돌아갑니다. 원하는 일부 정보(예: R 제곱의 변경)는 직접 사용할 수 없습니다.
Re: 계층적 회귀이 절차 그가 말하는 것입니다.
Re: 계층적 회귀귀하의 설명이 원래 게시물보다 훨씬 낫습니다. 감사합니다. 계층구조(또는 중첩)는 변동 구성요소 또는 요인 간의 특정 관계를 지정하는 데 사용되는 특정 용어입니다. 계층 구조는 설명되어야 하는 합리적인 순서가 있음을 의미합니다. 예를 들어 배치 간 및 배치 내입니다. 배치 내는 배치 내에 중첩되어야 합니다. 배치 샘플 내에서 여러 배치를 가져올 수 없습니다.
내 생각은 다음과 같습니다.
에 관하여 " 계층적 회귀는 관심 있는 변수가 다른 모든 변수를 고려한 후 종속 변수(DV)의 통계적으로 유의미한 변동량을 설명하는지 보여주는 방법입니다."
1. 통계적 유의성은 조건문입니다. 추론 공간과 비교되는 구성 요소에 따라 달라집니다. 이는 데이터 수집 방법에 전적으로 달려 있습니다. "다른 모든 변수를 고려한 후"라는 말이 무슨 뜻인지 정확히 모르겠습니다. 유형 III SS를 사용한 분석은 모델의 다른 모든 항을 고려한 후 모델의 각 항을 평가하지만 이것이 의미하는 바는 아니라고 생각합니다.
2. 소프트웨어가 수행한 분석을 해석하려면 항상 컨텍스트가 필요합니다. "전문가"라는 주제로 컨텍스트를 제공해야 합니다.
3. 가설에 의해 주도되고 이후에 그러한 가설을 대표하는 변형 소스를 포함하는 데이터 수집 계획을 설계하는 것은 소프트웨어가 아니라 당신이 하는 일입니다. 해당 소스의 부분 집합을 선택하는 방법과 어떤 비교를 원하는지는 귀하의 결정입니다. 해당 소스가 중첩되어 있는지, 체계적인지, 교차되는지 여부는 데이터를 수집하는 방법에 따라 다릅니다.
4. Rsq는 모델 개발에 사용되는 측정항목 중 하나일 뿐입니다. 나는 모델 구축을 그 하나의 값으로 제한하지 않을 것이며 조정된 Rsq를 기본값으로 사용할 것입니다. 조정된 Rsq와 Rsq 사이의 델타(모델을 과도하게 지정하기 위해), RMSE, p-값, 잔차 및 잔차 플롯 등을 고려합니다. 알.
5. " 이 프레임워크에서는 각 단계에서 이전 모델에 변수를 추가하여 여러 회귀 모델을 구축합니다. 이후 모델에는 항상 이전 단계의 더 작은 모델이 포함됩니다." 이는 본질적으로 단계적 회귀입니다. 시작할 구성 요소와 추가할 구성 요소를 선택하거나 소프트웨어가 이를 기반으로 이를 평가하도록 할 수 있습니다. 당신이 설정한 기준.
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
유사한 기능을 수행하기 위해 파티셔닝 플랫폼을 사용할 수도 있습니다.
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/partition-models.shtml
JMP의 또 다른 옵션은 모델을 비교하는 것입니다.
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. " SPSS에서는 쉽게 할 수 있는데, JMP가 변수 블록을 순차적으로 생성하는 유사한 방법을 제공하지 않는다는 점에 조금 실망했습니다." 저는 SPSS를 사용하지 않지만, 무슨 뜻인지 보여주시면 안내해 드릴 수 있을 것 같습니다. 소프트웨어가 순차적으로 블록을 생성한다는 것은 무엇을 의미합니까? 당신은 입력 가설을 SPSS에 입력하면 블록이 제대로 생성되나요? 나는 그것을 보고 싶습니다.
7. 공격적 행동 측정 = (나이, 성별) + (교육, 소득) + (TV 폭력 노출). 포함하지 않았거나 모델과 혼동되는 변수가 더 많이 있습니다. 인구 통계, 가족 단위, 개인적인 트라우마, 양육, 실제 폭력에 대한 노출. 그리고 공격적인 행동을 어떻게 측정합니까?측정 시스템이 일관성이 있나요? 측정 시스템이 결과를 편향합니까?
Re: 계층적 회귀계층적 회귀라는 개념은 사람들마다 다른 의미를 갖는 것 같습니다. 내가 찾고 있는 것은 다음과 같습니다.
계층적 회귀 분석은 관심 있는 변수가 다른 모든 변수를 고려한 후 종속 변수(DV)의 분산을 통계적으로 유의하게 설명하는지 여부를 보여주는 방법입니다. 이는 통계적 방법이 아닌 모델 비교를 위한 프레임워크입니다. . 이 프레임워크에서는 각 단계에서 이전 모델에 변수를 추가하여 여러 회귀 모델을 구축합니다. 이후 모델에는 항상 이전 단계의 더 작은 모델이 포함됩니다. 많은 경우, 우리의 관심은 새로 추가된 변수가 상당한 개선을 보이는지 확인하는 것입니다. 아르 자형 2 (모델에 의해 설명된 DV의 분산 비율)
관심 변수의 효과를 혼동하거나 은폐할 수 있는 소스의 차이를 설명하는 것이 아이디어입니다. 예를 들어, TV 효과. 모델은 만화 폭력을 보면서 공격적인 활동이 "원인"되었는지 알고 싶어할 수 있지만 다른 요인도 있으므로 계층적 모델에는 하나씩 입력된 변수 블록이 포함될 수 있습니다.모든 허위 분산이 블록 R sq에 의해 설명되는 경우 마지막 항이 관심 변수입니다. 모델은 다음과 같습니다.
공격적 행동 측정 = (나이, 성별) + (학력, 소득) + (TV 폭력 노출)
각 블록의 R제곱을 살펴보세요.(각 블록 내의 활동은 무시합니다.) TV 폭력에 대한 흥미로운 Rsq가 여전히 있으면 다른 변수를 고려한 후에도 그것이 중요하다고 주장합니다.이렇게 하면 꽤 강력한 주장을 할 수 있습니다.
SPSS에서는 쉽게 할 수 있는데, JMP가 변수 블록을 순차적으로 생성하는 비슷한 방법을 제공하지 않는다는 점에 조금 실망했습니다.
JMP가 Stepwise를 통해 알아낸 것이 없다면, UGH.대학원에서 우리는 입력된 순서 변수가 이론이 아니라 프로그램의 알고리즘과 관련이 있기 때문에 단계적은 "아무것도 모르는" 회귀라고 배웠습니다.이는 단계적 모델 안팎으로 변수를 추가하고 계수가 이상하게 변하는 것을 관찰하면 쉽게 알 수 있습니다. 단계별 JMP 문서에서는 복잡한 모델을 실행한 다음 "유의성"이 아닌 변수를 삭제하는 것을 제안합니다.
게시물 끝 부분에서 알려주신 예를 살펴보겠습니다. 하지만 그것이 제가 찾고 있는 것인지 잘 모르겠습니다.
도와 주셔서 감사합니다
Re: 계층적 회귀Hierarchical Linear Regression을 언급한다면 이것이 JMP의 별도 플랫폼이 아니라고 생각합니다.(적어도 계층적 선형 회귀에 대한 나의 이해를 바탕으로) 매우 간단한 대안이 있기 때문일 수 있습니다.
- 표준 리스 제곱 보고서에서 용어 추가/제거,
- 단계적 회귀,
- 앙상블 모델링.
앙상블 모델링의 경우 이를 선형 회귀 이상으로 확장할 수 있으며 선형 회귀 후에 파티션을 포함할지 여부를 결정할 수 있습니다.
용어 추가/제거
최소 제곱 보고서의 효과 요약 섹션에는 용어를 추가/제거하는 옵션이 있으며, 단계별 섹션에 설명된 대로 요약 통계를 비교할 수 있습니다.
단계적으로
블록에 변수를 추가하는 대신 순서에 관계없이 개별적으로 추가할 수 있으며 각 블록을 추가한 후 중지하면 됩니다.적합 모형을 사용하면 모든 그룹의 가능한 모든 항을 모형 효과로 추가합니다. 예를 들어, 키와 몸무게를 통해 빅 클래스 데이터 세트에서 나이를 예측한 다음 키*체중 항을 추가해야 하는지 결정하려는 경우 모델 시작 대화 상자에서 세 가지 항을 모두 추가합니다.그런 다음 첫 번째 블록에 용어를 입력하고 모델 적합성을 기록합니다. 매개변수 , 두 번째 블록을 추가하고 비교하세요.단계적 회귀 제어 섹션의 설정을 사용하여 직접 선택한 모델로 자동으로 이동할 수 있습니다.
Fit Model 실행 시 모든 모델 효과를 추가하고 단계적으로 선택합니다.
첫 번째 블록의 변수를 추가합니다(가중치에 대한 P 값은 무시합니다).
이제 두 번째 블록을 추가하고 RSquare가 어떻게 약간 상승했는지 확인하십시오. 그러나 AIC 및 BIC도 상승하여 두 번째 블록을 포함하고 싶지 않음을 나타냅니다.
앙상블 모델링
적합 모델에서 첫 번째 블록을 사용하여 모델을 구축하고 잔차를 저장합니다. 그런 다음 후속 모델을 사용하여 잔차를 예측해 보십시오.
첫 번째 블록을 사용하여 모델 구축: 여기서는 예제를 더 간단하게 만들기 위해 연령을 연속형으로 변환했습니다.
예측과 잔차를 저장합니다.
이제 적합 모델을 다시 시작하고 두 번째 블록을 사용하여 첫 번째 모델의 잔차를 예측합니다. 이들 중 어느 것도 선형 모델일 필요는 없다는 점을 기억하세요. JMP는 (정확하게) 각 개별 항 없이 교차 항에서 모델을 구축하는 것을 원하지 않기 때문에 효과가 누락되었다는 메시지를 받을 수도 있습니다.이 예에서는 이전 단계에 이미 포함되어 있지만 다시 추가할 수 있습니다.
이제 이 모델의 결과를 사용하여 최종 모델에 두 번째 블록을 포함할지 여부를 결정할 수 있습니다. 이 경우 두 항의 p 값이 매우 높아 블록 2를 포함해서는 안 된다는 것을 나타냅니다.
두 모델을 모두 사용하여 예측을 얻으려면 각 모델의 예측을 추가하면 됩니다.
Re: 계층적 회귀문제는 많은 열을 확보하는 방법입니다.
열 필터 메뉴를 사용하고 싶을 수도 있습니다.
플랫폼에서 Windows 실행(jmp.com)
