Soluzioni diverse quando codifichi manualmente gli effetti di interazione rispetto all'aggiunta tramite l'opzione croce nella finestra di dialogo dei modelli di adattamento.Cari potenziali salvatori
Di recente ho riscontrato alcune incongruenze in JMP a seconda di come affronto esattamente il problema. Quando codifichi manualmente l'interazione di una variabile numerica e di una variabile fittizia (ad esempio le moltiplico), non ottengo la stessa soluzione di quando specifico semplicemente nella casella del modello di adattamento che voglio incrociare questi effetti. Inoltre, quando ho fatto lo stesso in R, non mi è sembrato lo stesso comportamento e i due risultati sono identici, il che mi ha portato a sospettare che non fosse la codifica manuale della variabile ad andare storta, ma piuttosto che si trattasse di una peculiarità correlata a JMP (sto utilizzando un pacchetto che utilizza il pacchetto lme4 o la sua variante robusta, nessuno di loro mostra questo strano comportamento).
Grazie in anticipo per il vostro aiuto e le vostre risposte
Lavoro
Esplorazione e visualizzazione dei datiCondivisione e comunicazione dei risultatiRi: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.Si prega di consultare questa spiegazione del modelli fattoriali utilizzato nella piattaforma Fit Least Squares. C'è più di un modo per codificare i livelli del regressore.
Ri: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.Grazie per aver fornito il link. Dopo qualche ricerca ho trovato la soluzione. Il motivo è il centraggio automatico delle variabili prima di combinarle per un'interazione. Quando disabilito questa opzione, la soluzione è di nuovo la stessa. Tuttavia, mi chiedo ancora come dovrebbe essere interpretato. I valori p non sono nemmeno vicini (passa dall'essere chiaramente significativo a non essere affatto significativo). Qual è il motivo per cui è centrata come opzione standard e i valori p dovrebbero essere considerati come relativi a un'altra ipotesi e, in tal caso, quale allora? Nella mia mente, una trasformazione lineare come la sottrazione della media non dovrebbe avere questo effetto?
Ri: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.Grazie per aver fornito il link. Dopo qualche ricerca ho trovato la soluzione. Il motivo è il centraggio automatico delle variabili prima di combinarle per un'interazione. Quando disabilito questa opzione, la soluzione è di nuovo la stessa. Tuttavia, mi chiedo ancora come dovrebbe essere interpretato. I valori p non sono nemmeno vicini (passa dall'essere chiaramente significativo a non essere affatto significativo). Qual è il motivo per cui è centrata come opzione standard e i valori p dovrebbero essere considerati come relativi a un'altra ipotesi e, in tal caso, quale allora? Nella mia mente, una trasformazione lineare come la sottrazione della media non dovrebbe avere questo effetto?
Ri: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.CIAO @JobbeGoossens ,
JMP sta eseguendo un centraggio automatico delle variabili quando ci sono interazioni per evitare problemi di multicollinearità tra il termine dell'interazione e i termini delle variabili coinvolte nell'interazione.
Puoi vedere l'esempio comparativo che ho fatto per un argomento simile nella Community:
https://community.jmp.com/t5/Discussions/Stepwise-model-question/mp/591848/highlight/true#M79593
Il centraggio automatico è in realtà il modo più sicuro per valutare le interazioni e calcolare le stime dei parametri, poiché si riduce la multicollinearità con le principali variabili coinvolte nell'interazione, quindi si riduce la varianza per le stime dei parametri delle interazioni, risultando in test di significatività più affidabili e accurati.
Spero che questa risposta ti possa aiutare,Ri: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.Come dice Victor... Ecco il motivo di JMP:
https://www.jmp.com/support/notes/37/925.html
Ri: soluzioni diverse durante la codifica manuale dei miei effetti di interazione rispetto all'aggiunta tramite l'opzione incrociata nella finestra di dialogo dei modelli di adattamento.CIAO @JobbeGoossens ,
Ha molto senso il motivo per cui questo risultato sembrerebbe misterioso, ed è una domanda che si pone spesso, non solo nel contesto di jmp. Nel caso in cui ti sia d'aiuto, voglio collegarti a un'altra discussione in cui ho pubblicato a video e spiegazione ciò dimostra come il centraggio dei polinomi influenzi l'interpretazione dei termini di ordine inferiore, il che dovrebbe aiutare a spiegare perché i valori p sono così diversi (stanno testando qualcosa di diverso).
https://community.jmp.com/t5/Discussions/valuates-in-multipule-regression/mp/10965/highlight/true#M10565
Spero che aiuti!
@giuliano
