Interactions en régression MCO et pentes simples.Salut tout le monde,
J'essaie actuellement d'effectuer un modèle de régression OLS (linéaire) avec un effet d'interaction (pour tester la modération). Par exemple, disons que je souhaite prédire une variable continue Y en utilisant deux variables continues X et M et leur interaction X*M.
Le résultat de l'effet du terme d'interaction est significatif. Cependant, je ne sais pas comment demander à JMP de donner les données pour les pentes simples.
Plus précisément, comment puis-je obtenir les bêtas et leur signification pour l'effet de X et Y aux différents niveaux de M ? (généralement -1sd, moyenne, 1sd pour variable continue ou si le modérateur est binaire qu'aux deux niveaux du modérateur).
Je sais comment obtenir les parcelles (Fit model ... Factoriel complet, etc.), mais ce n'est pas suffisant, j'ai besoin des effets simples réels pour les pentes, le SE et la signification.
Appréciera toute aide sur la question.
Re : Interactions dans la régression OLS et les pentes simples.@Patate douce @nguyentandat234 Je suis heureux de partager que l'un de nos stagiaires d'été, @haley.yaremych qui est également doctorant à Vanderbilt, a écrit un complément pour la modération et la médiation modérée et est désormais disponible dans la communauté JMP. Elle a également écrit un excellent article de blog avec des exemples pour illustrer comment l'utiliser :
Qui, quoi, pourquoi et comment ? Outils de modélisation et de visualisation de la modération et de la médiation modérée dans JMP Pro
Le complément nécessite JMP Pro 16.0 ou une version ultérieure. Voici un aperçu de son diagramme Johnson-Neyman, qui a une interactivité pour montrer la pente simple et sa signification statistique à chaque valeur du modérateur :
J'espère que cela vous sera utile pour votre travail !
~Laura
Re : Interactions dans la régression OLS et les pentes simples.Lorsque la ligne horizontale se situe entièrement dans l'intervalle de confiance, le facteur n'est pas significatif car l'effet de ce facteur pourrait facilement être nul (pas de pente). Donc non significatif.
Re : Interactions dans la régression OLS et les pentes simples.Merci @Dan_Obermiller
Juste 1 question de plus. Si je comprends bien, la ligne horizontale rouge est la valeur prédite du DV, tandis que la partie ombrée est le CI pour le VL prédit. Si oui, pouvez-vous m'aider à comprendre pourquoi lorsque la ligne horizontale reste à l'intérieur du CI ombré, les résultats ne sont PAS significatifs ?
Re : Interactions dans la régression OLS et les pentes simples.Malheureusement je n'ai pas le temps en ce moment de construire les tests sur les pentes simples. Peut-être que quelqu'un d'autre peut vous aider. Une chose que j'ai remarquée sur votre photo ci-jointe est que votre profileur de prédiction n'a pas activé les intervalles de confiance. Si vous cliquez sur le triangle rouge du profileur, choisissez Intervalles de confiance. Vous devriez voir apparaître des bandes comme cette image :
Bien qu'il ne s'agisse pas de vos données, notez l'image sur la gauche. Il y a une ligne horizontale qui n'est PAS dans l'intervalle de confiance ombré. Cette variable (Career At Bats) est significative. L'intervalle de confiance ombré à droite contient entièrement la ligne moyenne horizontale. Cette variable n'est PAS significative. Il s'agit d'intervalles de confiance à 95 % et cela équivaudrait à effectuer le test au niveau de signification de 5 %.
Re : Interactions dans la régression OLS et les pentes simples.Cher @Dan_Obermiller , j'ai rencontré des problèmes similaires avec l'analyse de pente simple et votre réponse s'est avérée très utile. Pouvez-vous expliquer plus en détail comment utiliser les bandes d'erreur pour trouver la signification statistique de la pente X ?
(Par exemple, comment afficher les bandes d'erreur puisque je ne peux trouver que l'intervalle de confiance dans le profileur de prédiction ? Puis-je trouver le niveau de signification exact ou simplement savoir que la pente simple est significative)
Je peux déjà calculer β pour la pente simple à -1 SD, +1 SD et moyenne. Il ne reste plus qu'à calculer le niveau de signification.
Si cela peut être utile, voici mes données.
Re : Interactions dans la régression OLS et les pentes simples.Merci.
Re : Interactions dans la régression OLS et les pentes simples.Je ne vois aucun moyen d'obtenir ces éléments "automatiquement" avec JMP. Vous obtenez les informations nécessaires pour prendre la décision, mais pas les valeurs réelles à signaler. Ainsi, un script JMP devrait être créé pour le faire.
Comme le dit votre document : "... la plupart des logiciels n'ont pas créé de procédures préemballées pour tracer ou tester des pentes simples."
Consultez la liste de souhaits JMP pour voir si quelqu'un a ajouté cette fonctionnalité à la liste. Si tel est le cas, félicitez simplement cette entrée afin que les développeurs connaissent la prise en charge de cette fonctionnalité. Si vous ne le trouvez pas, ajoutez-le afin qu'il puisse être pris en compte pour une future version de JMP.
Re : Interactions dans la régression OLS et les pentes simples.Tout d'abord, merci à vous deux pour votre aide, c'est très apprécié.
J'ai besoin des pentes simples car je dois les rapporter dans la section des résultats de mon étude - je ne peux pas simplement la décrire sans inclure les valeurs réelles telles qu'elles sont acceptées (la valeur b (SE), p) pour -1sd, moyenne et +1sd .
par conséquent, la question est de savoir s'il existe un moyen de les obtenir dans JMP ?
Encore une fois, merci beaucoup pour votre aide !
Re : Interactions dans la régression OLS et les pentes simples.Le document que vous avez joint décrivant les pentes simples est exactement ce que @Mark_Bailey décrit. La seule différence est que Mark a indiqué les paramètres d'un Z catégoriel dans votre cas (Homme (-1) ou Femme (+1)).
Pour voir cela, à partir de votre pièce jointe, le modèle était Y = -2,3X + -0,5Z + 1,6XZ + 3,0. Ils ont choisi une valeur de 3,5 pour Z. En branchant cela pour Z, on obtient Y = (3,0 + 3,5*(-0,5)) + (-2,3 +1,6*3,5)X. Le -2.3 + 1.6*3.5 = 3.3 X qui correspond exactement à leur résultat. Mark a suggéré la même chose, mais a utilisé -1 et +1 car c'est ainsi que les valeurs masculines et féminines sont codées dans JMP. Le facteur catégoriel facilite la recherche des "pentes simples".
Un script JMP pourrait être écrit pour faire tout ce qui est décrit dans votre pièce jointe (similaire à ce qui a été fait pour SPSS ou R), mais je ne suis pas sûr que ce soit nécessaire. En toute honnêteté, j'aurais besoin d'explorer cela plus avant pour être certain, car je n'ai pas examiné en détail le document sur les pentes simples. Quoi qu'il en soit, voici quelques éléments à examiner pour voir si un tel script serait nécessaire.
Le profileur de prédiction est votre ami ! Faire glisser la valeur de Z dans le profileur vous montrera les différentes pentes simples pour X. C'est un moyen puissant de voir les pentes X pour N'IMPORTE QUEL réglage de Z plutôt que juste quelques-uns. Le profileur de prédiction fournit également des bandes d'erreur pour évaluer la signification statistique de cette pente X. Si les bandes pouvaient contenir une ligne horizontale, non significatif.
Ajoutez le profileur d'interaction à partir du triangle contextuel rouge. Cela montrera la pente pour le réglage Z le plus bas ET le réglage Z le plus élevé.
Enfin, votre document contient la phrase : "La recommandation habituelle est de centrer les variables prédictives en soustrayant la moyenne de chacune, puis en calculant le terme d'interaction." Lorsque votre Z est continu, JMP le fera automatiquement. Ainsi, JMP suit la recommandation habituelle qui permet une manière simple de mettre en œuvre l'idée des pentes simples.
Je suggérerais de prendre un ensemble de données élaboré avec tous les calculs de pente simples et de l'exécuter via JMP pour voir où les calculs élaborés correspondent à la sortie JMP.
Re : Interactions dans la régression OLS et les pentes simples.JMP met l'accent sur la visualisation pour comprendre la nature des « pentes simples » ou le profil de l'effet d'un facteur tout en maintenant un autre facteur à un niveau donné.
Cliquez sur le triangle rouge à côté de Ajuster les moindres carrés et sélectionnez Profilage factoriel > Profileur. Ce graphique interactif est basé sur l'ensemble du modèle, mais montre le profil de chaque facteur individuellement. Vous n'avez pas besoin de la pente conditionnelle elle-même, car JMP trace la ligne, la courbe ou le profil pour vous. Cette même visualisation est disponible pour tous les modèles dans JMP.
Voir Aide > Livres > Profileurs pour plus d'informations et d'exemples.
Re : Interactions dans la régression OLS et les pentes simples.C'est différent de la façon dont je comprends que la décomposition des interactions fonctionne.
http://web.pdx.edu/~newsomj/mvclass/ho_simple%20slopes.pdf
cette procédure se fait très facilement via la macro Process pour SPSS ou via un simple script R.
J'espère vraiment qu'il y a une solution pour cela via JMP...
Re : Interactions dans la régression OLS et les pentes simples.Vous devez utiliser la plateforme Fit Least Squares pour inclure un terme pour un effet d'interaction dans le prédicteur linéaire. Le rapport Estimations des paramètres fournit l'estimation (pente), les erreurs standard et les ratios t. Par exemple:
Ainsi, l'effet (pente) de la taille pour sex=F est de 4,087601 + 0,6869481 et pour sex=M, il est de 4,087601 - 0,6869481.
