OLS 回帰と単純勾配の相互作用。こんにちは、みなさん、
現在、相互作用効果を使用して OLS (線形) 回帰モデルを実行しようとしています (節度をテストするため)。 たとえば、2 つの連続変数 X と M およびそれらの相互作用 X*M を使用して、連続変数 Y を予測したいとします。
交互作用項の効果の結果は重要です。 しかし、単純な勾配のデータを JMP に求める方法がわかりません。
具体的には、M のさまざまなレベルでの X と Y の効果に対するベータとその有意性を取得するにはどうすればよいですか? (通常、-1sd、平均、連続変数の場合、またはモデレーターがバイナリーの場合は、モデレーターの両方のレベルよりも 1sd)。
プロットを取得する方法を知っています（モデルに適合... 完全な階乗など)、しかしそれだけでは十分ではありません。勾配、SE、有意性に対する実際の単純な効果が必要です。
この問題について何か助けていただければ幸いです。
Re: OLS 回帰と単純勾配の相互作用。@ヤムイモ@nguyentandat234ヴァンダービルト大学の博士課程の学生でもあるサマーインターンの 1 人、@haley.yaremych が次のように書いていることを共有できることをうれしく思います。モデレーションとモデレートされた調停のためのアドインJMP コミュニティで利用できるようになりました。 彼女はまた、その使用方法を説明するための例を含む優れたブログ投稿を書いています。
誰が、何を、なぜ、どのように？ JMP Pro でモデレーションとモデレート メディエーションをモデリングおよび視覚化するためのツール
アドインには、JMP Pro 16.0 以降が必要です。 これは彼女の Johnson-Neyman プロットのプレビューです。これは、モデレーターの各値での単純な勾配とその統計的有意性を示す対話機能を備えています。
これがあなたの仕事に役立つことを願っています！
〜ローラ
Re: OLS 回帰と単純勾配の相互作用。水平線がすべて信頼区間内にある場合、その因子の効果は簡単にゼロ (勾配なし) になる可能性があるため、因子は重要ではありません。 したがって、重要ではありません。
Re: OLS 回帰と単純勾配の相互作用。ありがとう@ダン_オーバーミラー
もう 1 つだけ質問があります。 私の理解が正しければ、赤い横線が DV の予測値で、網掛け部分が予測 VL の CI です。 もしそうなら、水平線がシェーディング CI 内にとどまっている場合、結果が重要ではない理由を理解するのを手伝ってもらえますか?
Re: OLS 回帰と単純勾配の相互作用。残念ながら、今は単純な斜面でテストを構築する時間がありません。 おそらく、他の誰かがそれを手伝ってくれるでしょう。 添付の写真で気づいたことの 1 つは、予測プロファイラーで信頼区間が有効になっていないことです。 プロファイラーの赤い三角形をクリックした場合は、[信頼区間] を選択します。 次の図のようにバンドが表示されるはずです。
これはあなたのデータではありませんが、左側の図に注目してください。 影付きの信頼区間内にない水平線があります。 その変数 (打席でのキャリア) は重要です。 右側の影付きの信頼区間には、水平平均線が完全に含まれています。 その変数は重要ではありません。 これらは 95% の信頼区間であり、5% の有意水準で検定を実施することと同等です。
Re: OLS 回帰と単純勾配の相互作用。親愛なる@ダン_オーバーミラー、Simple Slope Analysis で同様の問題が発生しましたが、あなたの回答が非常に役立つことがわかりました。 エラー バンドを使用して X 勾配の統計的有意性を見つける方法について詳しく説明できますか?
(たとえば、予測プロファイラーで間隔信頼度しか見つからないため、エラー バンドを表示するにはどうすればよいでしょうか? 正確な有意水準を見つけることはできますか、または単純勾配が有意であることを知ることはできますか)
私はすでに計算することができますβ -1 SD、+1 SD、および平均での単純勾配の場合。 あとは有意水準を計算するだけです。
参考になれば、私のデータはこちらです。
Re: OLS 回帰と単純勾配の相互作用。ありがとうございました。
Re: OLS 回帰と単純勾配の相互作用。これらのアイテムを JMP で「自動的に」取得する方法がわかりません。 意思決定に必要な情報は得られますが、報告する実際の値は得られません。 したがって、それを行うには JMP スクリプトを作成する必要があります。
あなたのドキュメントが言うように：「...ほとんどのソフトウェアプログラムは、単純な勾配をプロットまたはテストするためのパッケージ化された手順を作成していません。」
JMP ウィッシュ リストを調べて、誰かがこの機能をリストに追加したかどうかを確認してください。 もしそうなら、開発者がその機能のサポートを知ることができるように、そのエントリを称賛してください。 そこに見つからない場合は、JMP の将来のリリースで検討できるように追加してください。
Re: OLS 回帰と単純勾配の相互作用。まず、お二人のご協力に感謝いたします。
研究の結果セクションでそれらを報告する必要があるため、単純な勾配が必要です--1sd、平均、および+1sdの受け入れられている実際の値（b（SE）、p値）を含めずに説明することはできません. .
したがって、問題は、JMP でそれらを取得する方法があるかということです。
改めまして、大変お世話になりました！
Re: OLS 回帰と単純勾配の相互作用。単純な勾配を説明する添付のドキュメントはまさに@マークベイリー説明された。 唯一の違いは、マークがあなたの場合のカテゴリZのパラメーターを述べたことです（男性（-1）または女性（+1））。
これを見ると、あなたの添付ファイルから、モデルは Y = -2.3X + -0.5Z + 1.6XZ + 3.0 でした。 彼らは Z に 3.5 の値を選択しました。 これを Z に代入すると、Y = (3.0 + 3.5*(-0.5)) + (-2.3 +1.6*3.5)X が得られます。 -2.3 + 1.6*3.5 = 3.3 X は、結果と正確に一致します。 マークは同じことを提案しましたが、-1 と +1 を使用しました。これは、JMP で男性と女性の値がコード化されているためです。 カテゴリ因子により、「単純な勾配」が見つけやすくなります。
JMP スクリプトを記述して、添付ファイルに記載されているすべてのことを実行できますが (SPSS または R で行われたことと同様)、それが必要かどうかはわかりません。 公平を期すために、単純な勾配のドキュメントを詳しく見ていないので、これをさらに調査して確認する必要があります。 とにかく、そのようなスクリプトが必要かどうかを確認するために、いくつかの点を確認してください。
予測プロファイラーはあなたの友達です! プロファイラーで Z の値をドラッグすると、X のさまざまな単純な勾配が表示されます。 これは、Z の一部を選択するだけでなく、任意の Z 設定の X 勾配を確認する強力な方法です。 予測プロファイラーは、その X 勾配の統計的有意性を評価するためのエラー バンドも提供します。 バンドに水平線が含まれる可能性がある場合、重要ではありません。
赤いポップアップ三角形から Interaction Profiler を追加します。 これにより、Z の最小設定と Z の最大設定の傾きが表示されます。
最後に、ドキュメントには次の文があります。 Z が連続している場合、JMP はこれを自動的に行います。 このように、JMP は通常の推奨事項に従っており、単純な勾配のアイデアを簡単に実装できます。
すべての単純な勾配計算を含む計算済みのデータセットを取得し、それを JMP で実行して、計算済みの計算が JMP 出力と一致する場所を確認することをお勧めします。
Re: OLS 回帰と単純勾配の相互作用。JMP は視覚化を強調して、「単純勾配」の性質、つまりある因子の効果のプロファイルを特定のレベルに保持しながら別の因子を維持することを理解します。
Fit Least Squares の横にある赤い三角形をクリックし、Factor Profiling > Profiler を選択します。 このインタラクティブなプロットはモデル全体に基づいていますが、各因子のプロファイルを個別に示しています。 JMPが直線、曲線、またはプロファイルをプロットするため、条件付き勾配自体は必要ありません。 この同じ視覚化は、JMP のすべてのモデルで利用できます。
詳細と例については、[ヘルプ] > [ブック] > [プロファイラー] を参照してください。
Re: OLS 回帰と単純勾配の相互作用。それは、相互作用を分解する方法とは異なります。
http://web.pdx.edu/~newsomj/mvclass/ho_simple%20slopes.pdf
この手順は、SPSS の Process マクロまたは単純な R スクリプトを使用して非常に簡単に実行できます。
JMPを介してこれに対する解決策があることを本当に願っています...
Re: OLS 回帰と単純勾配の相互作用。線形予測子に交互作用効果の項を含めるには、最小二乗法プラットフォームを使用する必要があります。 パラメータ推定レポートは、推定値 (勾配)、標準誤差、および t 比を提供します。 例えば：
したがって、sex=F の場合の高さの影響 (勾配) は 4.087601 + 0.6869481 で、sex=M の場合は 4.087601 - 0.6869481 です。
