Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Modelle anpassen“.Liebe potentielle Retter
In letzter Zeit hatte ich einige Inkonsistenzen in JMP, je nachdem, wie ich das Problem genau angehe. Wenn ich die Interaktion einer numerischen Variable und einer Dummy-Variable manuell codiere (d. h. ich multipliziere sie), erhalte ich nicht dieselbe Lösung, als wenn ich einfach im Feld „Modell anpassen“ angebe, dass ich diese Effekte kreuzen möchte. Darüber hinaus sehe ich, als ich dasselbe in R mache, nicht dasselbe Verhalten und die beiden Ergebnisse sind identisch, was mich vermuten lässt, dass nicht die manuelle Codierung der Variable schiefgelaufen ist, sondern dass es sich eher um eine Besonderheit im Zusammenhang mit JMP handelt (ich verwende ein Paket, das das lme4-Paket oder die robuste Variante davon verwendet, keines davon zeigt dieses seltsame Verhalten.).
Danke im Voraus für eure Hilfe und Antworten
Arbeiten
Datenexploration und -visualisierungErgebnisse teilen und kommunizierenBetreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Bitte beachten Sie diese Erläuterung der Faktormodelle Wird in der Fit Least Squares-Plattform verwendet. Es gibt mehrere Möglichkeiten, Regressorebenen zu codieren.
Betreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Danke für die Bereitstellung des Links. Nach einigem Suchen fand ich die Lösung. Der Grund ist die automatische Zentrierung der Variablen, bevor sie zu einer Interaktion kombiniert werden. Wenn ich diese Option deaktiviere, ist die Lösung wieder dieselbe. Trotzdem frage ich mich, wie das zu interpretieren ist. Die p-Werte sind nicht einmal annähernd gleich (sie reichen von eindeutig signifikant bis überhaupt nicht signifikant). Was ist der Grund dafür, dass es als Standardoption zentriert ist, und sollten die p-Werte als eine andere Hypothese betreffend betrachtet werden, und wenn ja, welche dann? Meiner Meinung nach sollte eine lineare Transformation wie die Subtraktion des Mittelwerts diesen Effekt nicht haben?
Betreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Danke für die Bereitstellung des Links. Nach einigem Suchen fand ich die Lösung. Der Grund ist die automatische Zentrierung der Variablen, bevor sie zu einer Interaktion kombiniert werden. Wenn ich diese Option deaktiviere, ist die Lösung wieder dieselbe. Trotzdem frage ich mich, wie das zu interpretieren ist. Die p-Werte sind nicht einmal annähernd gleich (sie reichen von eindeutig signifikant bis überhaupt nicht signifikant). Was ist der Grund dafür, dass es als Standardoption zentriert ist, und sollten die p-Werte als eine andere Hypothese betreffend betrachtet werden, und wenn ja, welche dann? Meiner Meinung nach sollte eine lineare Transformation wie die Subtraktion des Mittelwerts diesen Effekt nicht haben?
Betreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Hallo @JobbeGoossens ,
JMP führt eine automatische Zentrierung von Variablen durch, wenn Interaktionen vorhanden sind, um Multikollinearitätsprobleme zwischen dem Interaktionsterm und den an der Interaktion beteiligten Variablentermen zu vermeiden.
Sie können das Vergleichsbeispiel sehen, das ich für ein ähnliches Thema in der Community gemacht habe:
https://community.jmp.com/t5/Discussions/Stepwise-model-question/mp/591848/highlight/true#M79593
Die automatische Zentrierung ist tatsächlich die sicherste Methode, um Interaktionen zu bewerten und Parameterschätzungen zu berechnen, da Sie die Multikollinearität mit den an der Interaktion beteiligten Hauptvariablen reduzieren, sodass Sie die Varianz für Interaktionsparameterschätzungen reduzieren, was zu zuverlässigeren und genaueren Signifikanztests führt.
Ich hoffe, diese Antwort hilft Ihnen,Betreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Wie Victor sagt ... Hier ist der JMP-Grund:
https://www.jmp.com/support/notes/37/925.html
Betreff: Unterschiedliche Lösungen beim manuellen Codieren meiner Interaktionseffekte im Vergleich zum Hinzufügen über die Kreuzoption im Dialogfeld „Anpassungsmodelle“.Hallo @JobbeGoossens ,
Es macht sehr viel Sinn, warum dieses Ergebnis mysteriös erscheint, und es ist eine Frage, die häufig gestellt wird, nicht nur im Zusammenhang mit jmp. Falls es hilft, möchte ich Sie zu einer anderen Diskussion verlinken, in der ich eine gepostet habe Video und Erklärung Dies zeigt, wie sich das Zentrieren von Polynomen auf die Interpretation der Terme niedrigerer Ordnung auswirkt, was helfen sollte zu erklären, warum die p-Werte so unterschiedlich sind (sie testen etwas anderes).
https://community.jmp.com/t5/Discussions/estimates-in-multipule-regression/mp/10965/highlight/true#M10565
Ich hoffe das hilft!
@julianisch
