Solutions différentes lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Chers sauveurs potentiels
Dernièrement, j'ai eu quelques incohérences dans JMP selon la manière exacte dont j'aborde le problème. Lorsque je code manuellement l'interaction d'une variable numérique et d'une variable muette (c'est-à-dire que je les multiplie), je n'obtiens pas la même solution que lorsque je précise simplement dans la case fit model que je souhaite croiser ces effets. De plus, lorsque j'ai fait la même chose dans R, je n'ai pas l'impression d'avoir le même comportement et les deux résultats sont identiques, ce qui me conduit à soupçonner que ce n'est pas le codage manuel de la variable qui a mal tourné mais plutôt qu'il s'agit d'une particularité liée à JMP (j'utilise un package qui utilise le package lme4 ou la variante robust de celui-ci, aucun d'entre eux ne présente ce comportement bizarre.).
Merci d'avance pour votre aide et vos réponses
Travail
Exploration et visualisation des donnéesPartage et communication des résultatsRe : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Veuillez consulter cette explication du modèles factoriels utilisé dans la plateforme Fit Least Squares. Il existe plusieurs façons de coder les niveaux de régresseur.
Re : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Merci de fournir le lien. Après quelques recherches j'ai trouvé la solution. La raison en est le centrage automatique des variables avant de les combiner pour une interaction. Lorsque je désactive cette option, la solution est à nouveau la même. Cependant, cela me fait encore me demander comment cela doit être interprété. Les valeurs de p ne sont même pas proches (elles passent de clairement significatives à pas significatives du tout). Quelle est la raison pour laquelle elle est centrée en tant qu'option standard et les valeurs de p doivent-elles être considérées comme concernant une autre hypothèse et si oui, laquelle alors ? Dans mon esprit, une transformation linéaire telle que la soustraction de la moyenne ne devrait pas avoir cet effet ?
Re : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Merci de fournir le lien. Après quelques recherches j'ai trouvé la solution. La raison en est le centrage automatique des variables avant de les combiner pour une interaction. Lorsque je désactive cette option, la solution est à nouveau la même. Cependant, cela me fait encore me demander comment cela doit être interprété. Les valeurs de p ne sont même pas proches (elles passent de clairement significatives à pas significatives du tout). Quelle est la raison pour laquelle elle est centrée en tant qu'option standard et les valeurs de p doivent-elles être considérées comme concernant une autre hypothèse et si oui, laquelle alors ? Dans mon esprit, une transformation linéaire telle que la soustraction de la moyenne ne devrait pas avoir cet effet ?
Re : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Salut @JobbeGoossens ,
JMP effectue un centrage automatique des variables lorsqu'il y a des interactions pour éviter les problèmes de multicolinéarité entre le terme d'interaction et les termes variables impliqués dans l'interaction.
Vous pouvez voir l'exemple comparatif que j'ai fait pour un sujet similaire dans la Communauté :
https://community.jmp.com/t5/Discussions/Stepwise-model-question/mp/591848/highlight/true#M79593
Le centrage automatique est en fait le moyen le plus sûr d'évaluer les interactions et de calculer les estimations des paramètres, car vous réduisez la multicolinéarité avec les principales variables impliquées dans l'interaction, de sorte que vous réduisez la variance des estimations des paramètres d'interaction, ce qui se traduit par des tests de signification plus fiables et plus précis.
J'espère que cette réponse vous aidera,Re : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Comme le dit Victor...Voici la raison JMP :
https://www.jmp.com/support/notes/37/925.html
Re : Différentes solutions lors du codage manuel de mes effets d'interaction par rapport à leur ajout via l'option croisée dans la boîte de dialogue des modèles d'ajustement.Salut @JobbeGoossens ,
Il est très logique que ce résultat semble mystérieux, et c'est une question qui revient souvent, pas seulement dans le contexte de jmp. Au cas où cela aiderait, je veux vous lier à une autre discussion où j'ai posté un vidéo et explication cela montre comment les polynômes de centrage affectent l'interprétation des termes d'ordre inférieur, ce qui devrait aider à expliquer pourquoi les valeurs de p sont si différentes (ils testent quelque chose de différent).
https://community.jmp.com/t5/Discussions/estimates-in-multipule-regression/mp/10965/highlight/true#M10565
J'espère que ça aide!
@julien
