混合モデルの段階的なモデル選択親愛なるみんな、
ミクセル モデルから重要な固定効果 (ランダム効果を 1 つ含む) を選択するために、段階的なモデル選択を使用したいと考えています。
モデル適合プラットフォームの「パーソナリティ」を「標準最小二乗法」から「ステップワイズ」に変更すると、「純粋な」固定効果モデルと同じモデル選択が実行され、考慮されていないように見えます。ランダム効果。 ランダム効果を考慮して段階的なモデル選択を実行する方法はありますか? つまり、ランダム効果がデータの全体的な変動の大部分を引き起こしている場合、これは違いを生むはずですよね?
よろしくお願いします、
ティナ
Re: 混合モデルの段階的モデル選択やあ@cwilldenと@ケビン_アンダーソン、そのトピックとヒントについてのあなたの考えをどうもありがとうございました!
分析は「通常の」JMP（Proバージョンなし）で実行する必要があるため、その方法を追求しようとします@cwillden提案した。
すべての主効果を含み、関連する交互作用または二次効果を追加で選択するモデルが常に必要なので、主効果モデルから開始し、ステップワイズ中に変量効果を固定効果として配置します。
一番、
ティナ
Re: 混合モデルの段階的モデル選択参考までに、方法@ケビン_アンダーソン提案は JMP Pro でのみ利用できます。
Re: 混合モデルの段階的モデル選択やあ、ティナ！
うまくいけば、Stepwise の致命的な統計上の欠陥に気付いていることでしょう。NE SUG 2007 の添付文書を参照してください。
その文書からの引用: 「最も壊滅的なことは、分析者が考えないようにすることです。 別の言い方をすれば、データ アナリストが段階的な方法を使用することは、上司に給与を削減するように指示することと同じです。」
Stepwise を避けて、代わりに Fit Model プラットフォームで Generalized Regression パーソナリティ、特に Adaptive Lasso を試すことをお勧めします。
幸運を！
Re: 混合モデルの段階的モデル選択やあ@ティナ、
Stepwise ではランダム効果がサポートされていないため、これは JMP では常にトリッキーな状況でした。ランダム効果を一時的に固定として扱うことができる場合は、段階的に実行してモデルを取得し、その時点でランダム効果に戻すことができます。
私は通常、JMP で手動でモデルを選択し、完全なモデルから始めて慎重に切り詰めます。あなたはいつもそのようにすることもできます。
幸運を祈ります。
