Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Hallo alle miteinander,
Ich versuche derzeit, ein OLS (lineares) Regressionsmodell mit einem Interaktionseffekt durchzuführen (um die Mäßigung zu testen). Nehmen wir zum Beispiel an, ich möchte eine kontinuierliche Variable Y vorhersagen, indem ich zwei kontinuierliche Variablen X und M und ihre Wechselwirkung X*M verwende.
Das Ergebnis der Wirkung des Wechselwirkungsterms ist signifikant. Ich weiß jedoch nicht, wie ich JMP bitten soll, die Daten für die einfachen Steigungen zu geben.
Wie erhalte ich speziell die Betas und ihre Bedeutung für die Wirkung von X und Y auf den verschiedenen Ebenen von M? (normalerweise -1sd, Mittelwert, 1sd für kontinuierliche Variable oder wenn der Moderator binär ist, dann auf beiden Ebenen des Moderators).
Ich weiß, wie ich die Plots bekomme (Modell anpassen ... Vollfaktoriell usw.), aber es reicht nicht, ich brauche die eigentlichen einfachen Effekte für die Steigungen, SE und Signifikanz.
Würde jede Hilfe in dieser Angelegenheit zu schätzen wissen.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.@Süßkartoffel @nguyentandat234 Ich freue mich, Ihnen mitteilen zu können, dass einer unserer Sommerpraktikanten, @haley.yaremych, der auch Doktorand bei Vanderbilt ist, eine geschrieben hat Add-In für Moderation und moderierte Mediation und ist jetzt in der JMP-Community verfügbar. Sie hat auch einen ausgezeichneten Blogbeitrag mit Beispielen geschrieben, um zu veranschaulichen, wie man es benutzt:
Wer, was, warum und wie? Tools zum Modellieren und Visualisieren von Moderation und moderierter Mediation in JMP Pro
Das Add-In erfordert JMP Pro 16.0 oder höher. Hier ist eine Vorschau ihres Johnson-Neyman-Diagramms, das interaktiv ist, um die einfache Steigung und ihre statistische Signifikanz bei jedem Wert des Moderators zu zeigen:
Ich hoffe, dies wird für Ihre Arbeit nützlich sein!
~ Laura
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Wenn die horizontale Linie vollständig innerhalb des Konfidenzintervalls liegt, ist der Faktor nicht signifikant, da der Effekt dieses Faktors leicht null sein könnte (keine Steigung). Daher nicht signifikant.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Vielen Dank @Dan_Obermiller
Nur noch 1 Frage. Wenn ich das richtig verstehe, ist die rote horizontale Linie der vorhergesagte Wert des DV, während der schattierte Teil das CI für den vorhergesagten VL ist. Wenn ja, können Sie mir helfen zu verstehen, warum die Ergebnisse NICHT signifikant sind, wenn die horizontale Linie innerhalb des schattierten CI bleibt?
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Leider habe ich gerade keine Zeit, die Tests auf den einfachen Pisten aufzubauen. Vielleicht kann jemand anderes dabei helfen. Eine Sache, die mir auf Ihrem angehängten Bild aufgefallen ist, ist, dass bei Ihrem Vorhersageprofiler die Konfidenzintervalle nicht aktiviert sind. Wenn Sie auf das rote Dreieck für den Profiler klicken, wählen Sie Konfidenzintervalle. Sie sollten Bands wie in diesem Bild sehen:
Obwohl dies nicht Ihre Daten sind, beachten Sie das Bild auf der linken Seite. Es gibt eine horizontale Linie, die NICHT innerhalb des schattierten Konfidenzintervalls liegt. Diese Variable (Karriere bei Fledermäusen) ist signifikant. Das schattierte Konfidenzintervall rechts enthält die horizontale Mittellinie vollständig. Diese Variable ist NICHT signifikant. Dies sind 95-%-Konfidenzintervalle, die einer Durchführung des Tests auf dem 5-%-Signifikanzniveau entsprechen würden.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Liebling @Dan_Obermiller , ich bin auf ähnliche Probleme mit der einfachen Neigungsanalyse gestoßen und Ihre Antwort hat sich als sehr hilfreich erwiesen. Können Sie näher erläutern, wie Sie die Fehlerbänder verwenden, um die statistische Signifikanz der X-Steigung zu ermitteln?
(Zum Beispiel, wie kann ich die Fehlerbänder anzeigen, da ich nur die Intervallkonfidenz im Vorhersage-Profiler finden kann? Kann ich das genaue Signifikanzniveau finden oder einfach wissen, dass die einfache Steigung signifikant ist?)
Das kann ich schon ausrechnen β für die einfache Steigung bei -1 SD, +1 SD und Mittelwert. Bleibt nur noch die Berechnung des Signifikanzniveaus.
Falls es dir weiterhilft, hier meine Daten.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Vielen Dank.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Ich sehe keine Möglichkeit, diese Elemente "automatisch" mit JMP zu erhalten. Sie erhalten die Informationen, die für die Entscheidungsfindung erforderlich sind, aber keine tatsächlichen Werte, die Sie melden können. Dazu müsste also ein JMP-Skript erstellt werden.
Wie Ihr Dokument sagt: "... die meisten Softwareprogramme haben keine vorgefertigten Verfahren zum Zeichnen oder Testen einfacher Steigungen erstellt."
Sehen Sie in der JMP-Wunschliste nach, ob jemand diese Funktion zur Liste hinzugefügt hat. Wenn ja, belohnen Sie diesen Eintrag einfach, damit die Entwickler die Unterstützung für diese Funktion kennen. Wenn Sie es dort nicht finden, fügen Sie es hinzu, damit es für eine zukünftige Version von JMP berücksichtigt werden kann.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Zunächst danke ich euch beiden für eure Hilfe, sie wird sehr geschätzt.
Ich brauche die einfachen Steigungen, da ich sie im Ergebnisabschnitt meiner Studie melden muss - ich kann sie nicht einfach beschreiben, ohne die tatsächlichen Werte einzubeziehen, wie sie akzeptiert werden (der b (SE), p-Wert) für -1sd, Mittelwert und +1sd .
Die Frage ist also, gibt es eine Möglichkeit, diese in JMP zu bekommen?
Nochmals vielen Dank für Ihre Hilfe!
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Das Dokument, das Sie beigefügt haben und einfache Hänge beschreiben, ist genau das, was @Mark_Bailey beschrieben. Der einzige Unterschied besteht darin, dass Mark in Ihrem Fall die Parameter für ein kategoriales Z angegeben hat (männlich (-1) oder weiblich (+1)).
Um dies zu sehen, war das Modell aus Ihrem Anhang Y = -2,3X + -0,5Z + 1,6XZ + 3,0. Sie wählten für Z einen Wert von 3,5. Setzt man das für Z ein, ergibt sich Y = (3,0 + 3,5*(-0,5)) + (-2,3 +1,6*3,5)X. Die -2,3 + 1,6 * 3,5 = 3,3 X, was genau ihrem Ergebnis entspricht. Mark schlug das Gleiche vor, verwendete jedoch -1 und +1, da die männlichen und weiblichen Werte in JMP so codiert sind. Der kategorische Faktor erleichtert das Auffinden der „einfachen Pisten“.
Ein JMP-Skript könnte geschrieben werden, um alles zu tun, was in Ihrem Anhang beschrieben ist (ähnlich wie bei SPSS oder R), aber ich bin mir nicht sicher, ob dies erforderlich ist. Fairerweise müsste ich dies weiter untersuchen, um sicher zu sein, da ich mir das einfache Pistendokument nicht im Detail angesehen habe. Wie auch immer, hier sind einige Dinge, die Sie sich ansehen sollten, um festzustellen, ob ein solches Skript erforderlich wäre.
Der Vorhersageprofiler ist dein Freund! Wenn Sie den Wert von Z im Profiler ziehen, werden Ihnen die verschiedenen einfachen Steigungen für X angezeigt. Dies ist eine leistungsstarke Möglichkeit, die X-Neigungen für JEDE Einstellung von Z zu sehen, anstatt nur für einige wenige. Der Vorhersage-Profiler stellt auch Fehlerbänder bereit, um die statistische Signifikanz dieser X-Steigung zu bewerten. Wenn die Bänder eine horizontale Linie enthalten könnten, wäre dies nicht signifikant.
Fügen Sie den Interaktions-Profiler aus dem roten Popup-Dreieck hinzu. Das zeigt die Steigung für die niedrigste Z-Einstellung UND die höchste Z-Einstellung.
Schließlich enthält Ihr Dokument den Satz: "Die übliche Empfehlung besteht darin, die Prädiktorvariablen zu zentrieren, indem der Mittelwert von jeder subtrahiert und dann der Interaktionsterm berechnet wird." Wenn Ihr Z fortlaufend ist, wird JMP dies automatisch tun. Damit folgt JMP der üblichen Empfehlung, die eine unkomplizierte Umsetzung der einfachen Hangidee ermöglicht.
Ich würde vorschlagen, einen ausgearbeiteten Datensatz mit allen einfachen Steigungsberechnungen zu nehmen und ihn durch JMP laufen zu lassen, um zu sehen, wo die ausgearbeiteten Berechnungen mit der JMP-Ausgabe übereinstimmen.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.JMP betont die Visualisierung, um die Natur der „einfachen Steigungen“ oder das Profil der Wirkung eines Faktors zu verstehen, während ein anderer Faktor auf einem bestimmten Niveau gehalten wird.
Klicken Sie auf das rote Dreieck neben „Kleinste Quadrate anpassen“ und wählen Sie „Faktor-Profilerstellung“ > „Profiler“. Dieses interaktive Diagramm basiert auf dem gesamten Modell, zeigt aber das Profil jedes Faktors einzeln. Sie benötigen die bedingte Steigung selbst nicht, da JMP die Linie, Kurve oder das Profil für Sie zeichnet. Dieselbe Visualisierung ist für alle Modelle in JMP verfügbar.
Weitere Informationen und Beispiele finden Sie unter Hilfe > Bücher > Profiler.
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Das ist anders als die Art und Weise, wie ich das Aufschlüsseln von Interaktionen verstehe.
http://web.pdx.edu/~newsomj/mvclass/ho_simple%20slopes.pdf
Dieser Vorgang wird sehr einfach über das Process-Makro für SPSS oder über ein einfaches R-Skript durchgeführt.
Ich hoffe nur wirklich, dass es dafür eine Lösung über JMP gibt ...
Betreff: Wechselwirkungen bei der OLS-Regression und einfachen Steigungen.Sie müssen die Plattform „Fit Least Squares“ verwenden, um einen Term für einen Interaktionseffekt in den linearen Prädiktor aufzunehmen. Der Bericht „Parameterschätzungen“ enthält die Schätzung (Steigung), Standardfehler und t-Verhältnisse. Zum Beispiel:
Der Effekt (Steigung) der Körpergröße für sex=F ist also 4,087601 + 0,6869481 und für sex=M ist es 4,087601 - 0,6869481.
