階層的回帰階層回帰で変数のブロックを指定するにはどうすればよいですか
ありがとう
消費者および市場調査Re: 階層回帰それがタイプ I 分散分析 (推定 > 逐次テストのモデルの適合でオンになっている) の目的ではないでしょうか?
Re: 階層回帰この議論に戻るのに長い時間がかかってしまい申し訳ありません。 このリクエストをウィッシュリストエリアに追加することをお勧めします。 JMP 開発はこのリソースを使用してユーザーからアイデアを取得します。
Re: 階層回帰これは助かります。
R sq については残念ですが、これは私が使用する重要な診断です。
古い SPSS ルーチンは、特にメディア変数の影響を分離したいと考えている調査研究を行う人々にとって非常に役立ちました。
このディスカッションに参加した人たちは本当に役に立ちましたが、私が望む JMP 実装はちょっとしたハックだと考えています。
私が JMP にアドバイスするとしたら、このルーチンをもう少し透明にするようお願いするでしょう。
また、私たちの一部の老人にとって、段階的回帰という考えは、元の栗色の SPSS マニュアルにまで遡る危険信号を立てます。 たぶん私だけが残っていますが、それは問題ではありません。
Re: 階層回帰それはまさに私が SPSS で行っていたことです。 JMPでもやりたいです
Re: 階層回帰Stepwise プラットフォームで [Go] または [Step] をクリックして、避けたい自動モデル選択アプローチを使用する必要はありません。 [分析] > [モデルの適合] 起動ダイアログを使用して完全なモデル内のすべての項を指定し、事前の知識から適切と思われるグループにステップワイズで追加できます。 つまり、一緒に入力した用語によってブロックを識別できます。 履歴セクションでは、ラジオ ボタンを使用して以前のモデルを選択すると、そのモデルに戻ることができます。 必要な情報の中には、R 乗の変化など、直接入手できないものもあります。
Re: 階層回帰この手順それが彼が話していることです。
Re: 階層回帰あなたの説明は元の投稿よりもはるかに優れています、ありがとう。 階層 (または入れ子) は、変動または要因の構成要素間の特定の関係を指定するために使用される特定の用語です。 階層は、考慮すべき合理的な順序があることを意味します。 たとえば、バッチ間およびバッチ内です。 バッチ内はバッチ内でネストする必要があります。バッチ内のサンプルから複数のバッチを取得することはできません。
私の考えは次のとおりです。
に関して "階層回帰は、他のすべての変数を考慮した上で、対象の変数が従属変数 (DV) の統計的に有意な量の分散を説明するかどうかを示す方法です。」
1. 統計的有意性は条件付きステートメントです。 それは推論空間と、どのコンポーネントが比較されるかによって異なります。 それはデータの収集方法に完全に依存します。 「他のすべての変数を考慮した後」という意味が正確にわかりません。 タイプ III SS を使用した分析では、モデル内の他のすべての項が考慮された後にモデル内の各項が評価されますが、それはあなたの言いたいことだとは思いません...
2. ソフトウェアによって行われた分析を解釈するには、コンテキストが常に必要です。 トピックの「専門家」がコンテキストを提供する必要があります。
3. 仮説に基づいて、その後それらの仮説を表す変動のソースを含めるデータ収集計画を設計することは、ソフトウェアではなくユーザーが行うことです。 これらのソースのサブセットをどのように選択するか、どのような比較を行うかは、ユーザーが決定します。 これらのソースがネストされているか、体系的であるか、または交差しているかは、データの収集方法によって異なります。
4. Rsq は、モデルの開発に使用される指標の 1 つにすぎません。 私はモデル構築をその 1 つの値に制限せず、デフォルトとして調整された Rsq を使用します。 Rsq と調整済み Rsq の間のデルタ (モデルを過剰に指定するため)、RMSE、p 値、残差、残差プロットなどを考慮します。アル。
5.」このフレームワークでは、各ステップで前のモデルに変数を追加することによって、いくつかの回帰モデルを構築します。後のモデルには常に、前のステップのより小さいモデルが含まれます。」 これは本質的には段階的回帰です。 最初にコンポーネントを選択し、どのコンポーネントを追加するかを選択することも、ソフトウェアに次の基準に基づいてこれを評価させることもできます。あなたが設定した基準。
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
パーティショニング プラットフォームを使用して同様の機能を実行することもできます。
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 のもう 1 つのオプションは、モデルを比較することです。
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.」 SPSS では簡単に実行できますが、変数のブロックを順番に作成する同様の方法が JMP に提供されていないのが少し残念です。」 私は SPSS を使用しませんが、意味を教えていただければ、ご案内できるかもしれません。 ソフトウェアがブロックを順番に作成するとはどういう意味ですか? あなたが入力します仮説を SPSS に入力すると、適切にブロックが作成されますか? それを見てみたいです。
7。攻撃的行動の尺度 = (年齢、性別) + (学歴、収入) + (テレビでの暴力露出)。 含めていない変数、またはモデルと混同されている変数が他にもたくさんあります。 人口動態、家族構成、個人的なトラウマ、生い立ち、現実の暴力への曝露。 そして、攻撃的な行動をどのように測定するのでしょうか?測定システムは一貫していますか? 測定システムによって結果に偏りはありますか?
Re: 階層回帰階層回帰の考え方は、人によって意味が異なるようです。 私が探しているものは次のとおりです。
階層回帰は、他のすべての変数を考慮した後、対象の変数が従属変数 (DV) の統計的に有意な量の分散を説明するかどうかを示す方法です。 これは統計的手法ではなく、モデル比較のためのフレームワークです。 。 このフレームワークでは、各ステップで前のモデルに変数を追加することによって、いくつかの回帰モデルを構築します。後のモデルには常に、前のステップのより小さいモデルが含まれます。 多くの場合、私たちの関心は、新しく追加された変数が大幅な改善を示すかどうかを判断することです。 R 2 (モデルによるDVの説明分散の割合)。
この考え方は、対象となる変数の影響を混乱させたり、隠蔽したりする可能性のある情報源からの差異を考慮することです。 たとえば、テレビの効果です。 モデルは、漫画の暴力を見ることによって攻撃的な活動が「引き起こされる」かどうかを知りたい場合がありますが、他の要因があるため、階層モデルには 1 つずつ入力される変数のブロックが含まれる場合があります。すべてのスプリアス分散がブロック R sq によって考慮されると、最後の項が対象の変数になります。 モデルは次のようになります。
攻撃的行動の尺度 = (年齢、性別) + (教育、収入) + (テレビでの暴力露出)
各ブロックの R sq を調べます。(各ブロック内のアクティビティは無視します。) テレビの暴力に関する興味深い Rsq がまだある場合は、他の変数を考慮した後でも、それが重要であると主張します。こうすることで、かなり強力な主張をすることができます。
SPSS では簡単に実行できますが、変数のブロックを順番に作成する同様の方法が JMP に提供されていないのが少し残念です。
JMP が Stepwise で何かを見つけ出さなければ、うーん。大学院に戻ると、変数が入力される順序は理論ではなくプログラムのアルゴリズムに関係するため、ステップワイズは「何も知らない」回帰であると教えられました。これは、段階的モデルの内外に変数をドロップし、係数がおかしくなるのを観察することで簡単に確認できます。 stepwise に関する JMP ドキュメントでは、複雑なモデルを実行し、そこにある「有意性」に基づいて変数を削除することを提案していますが、そうではありません。
投稿の最後に示した例を見ていきますが、それが私が探しているものであるかどうかわかりません
助けてくれてありがとう
Re: 階層回帰階層的線形回帰を参照している場合、これは JMP の別のプラットフォームではないと思います。それは、(少なくとも階層線形回帰についての私の理解に基づくと) かなり単純な代替手段があるためである可能性があります。
- 標準の最小二乗レポートの項の追加/削除、
- 段階的回帰と、
- アンサンブルモデリング。
アンサンブル モデリングの場合、線形回帰を超えてこれを拡張でき、線形回帰の後にパーティションを含めるかどうかを決定できることに注意してください。
用語の追加/削除
最小二乗レポートの効果概要セクションには項を追加/削除するオプションがあり、ステップワイズ セクションで説明されているように概要統計を比較できます。
段階的に
変数をブロックに追加する代わりに、変数を任意の順序で個別に追加し、各ブロックを追加した後で停止することができます。フィットモデルを使用すると、すべてのグループ内のすべての可能な項がモデル効果として追加されます。 たとえば、身長と体重から大きなクラス データ セットの年齢を予測し、身長*体重の項を追加するかどうかを決定する場合は、モデル起動ダイアログ ボックスで 3 つの項すべてを追加します。次に、最初のブロックに項を入力し、モデルの適合を記録します。パラメーター、次に 2 番目のブロックを追加して比較します。[段階的回帰制御] セクションの設定を使用すると、自分で選択したモデルに自動的に到達することができます。
[モデルのフィット] 起動ですべてのモデル効果を追加し、段階的に選択します。
最初のブロックの変数を追加します (重みの P 値は無視しています)。
ここで 2 番目のブロックを追加して、RSquare がわずかに上昇していることに注目してください。ただし、AIC と BIC も同様に上昇しています。これは、おそらく 2 番目のブロックを含めたくないことを示しています。
アンサンブルモデリング
モデルの適合では、最初のブロックを使用してモデルを構築し、残差を保存します。 次に、後続のモデルを使用して残差を予測してみます。
最初のブロックを使用してモデルを構築します。ここでは、例を簡単にするために年齢を連続に変換しました。
予測と残差を保存します。
次に、フィット モデルを再度起動し、2 番目のブロックを使用して最初のモデルから残差を予測します。これらはどちらも線形モデルである必要はないことに注意してください。 JMP は (正しくは) 個々の項を使用せずにクロス項からモデルを構築することを望まないため、効果が欠落しているというメッセージが表示される場合があります。この例では、前のステップにすでに含まれていますが、再度追加することもできます。
これで、このモデルの結果を使用して、最終モデルに 2 番目のブロックを含めるかどうかを決定できるようになります。 この場合、両方の項の p 値が非常に高く、ブロック 2 を含めるべきではないことを示しています。
両方のモデルを使用して予測を取得するには、それぞれの予測を追加するだけです。
Re: 階層回帰問題は、どのようにして多くの列を取得するかということです。
列フィルター メニューを使用したい場合があります。
プラットフォームで Windows を起動する (jmp.com)
