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 (1 つのランダム効果を含む) 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。
ただし、フィットモデル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」固定効果モデルを使用するかのように同じモデル選択が実行されるように見えます。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全体の変動の大部分を引き起こしているのであれば、違いが生じるはずですよね?
よろしくお願いします、
ティナ
Re: 混合モデルの段階的なモデル選択やあ@cwilldenと@ケビン・アンダーソン、そのトピックに関するご意見とヒントを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、次の方法を追求してみます。 @cwillden提案した。
すべての主効果を含み、さらに関連する交互作用または二次効果を選択するモデルが必要であるため、主効果モデルから開始して、ステップワイズ中にランダム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な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 でのみ使用できます。
Re: 混合モデルの段階的なモデル選択こんにちは、ティナ！
Stepwise の統計上の致命的な欠陥に気づいていただければ幸いです。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: 「最も壊滅的なのは、分析者が思考できなくなることです。 別の言い方をすれば、データ アナリストが段階的な手法を使用することは、上司に給与を削減するように言うのと同じことです。」
Stepwise を避け、代わりに Fit Model プラットフォームの一般化回帰パーソナリティ、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なモデル選択やあ@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、JMP ではこれが常に難しい状況でした。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に到達し、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 で完全なモデルから始めて慎重にモデルを削除して手動でモデルを選択します。いつでもそのようにすることもできます。
幸運を祈ります。
