Bonjour, je suis très nouveau dans l'analyse des statistiques et j'ai ce qui est probablement une question très basique...
J'ai du mal à interpréter les résultats d'une analyse de régression logistique que j'ai effectuée avec des données simples.
J'ai un ensemble de données de chênes dans deux types de forêts différents et je demande comment la taille et le type de forêt affectent le sort (non endommagé ou endommagé) après un ouragan.
Ainsi, Y = devenir, X = taille (variable continue) et type de forêt (deux catégories, jeune forêt vs forêt mature).
Lorsque j'exécute la régression avec les deux variables incluses, aucune n'est significative. Je l'ai également exécuté avec une variable d'interaction (taille * type de forêt), et encore une fois, rien n'est significatif.
C'était quelque peu surprenant, car sur la base des données, je m'attendais à ce que les deux variables soient significatives (ou proches).
Alors j'ai exécuté une régression logistique avec une variable à la fois, juste pour voir ce qui s'est passé. La taille n'était pas significative. Avec juste le type de forêt comme variable, cependant, cela ÉTAIT significatif, les arbres endommagés étant plus susceptibles de se trouver dans des forêts matures.
J'ai du mal à comprendre ce que cela signifie. La taille et le type de forêt sont corrélés (la taille est significativement plus grande dans les forêts matures) et il existe des raisons écologiques pour lesquelles ces deux facteurs influenceraient fortement le devenir. Je ne comprends pas pourquoi seul le type de forêt est significatif, à moins qu'il n'y ait une variation entre les types de forêt (autre que la taille) qui est très importante ici - ce qui pourrait très bien être le cas - mais alors pourquoi le type de forêt n'est-il pas toujours significatif lorsqu'il est ajouté dans le modèle avec la taille ?
Est-ce que la taille influence le destin, juste pas assez pour être statistiquement significative, et donc quand elle est incluse, elle explique une partie de la variation, et cela efface en quelque sorte le signal du type de forêt ?
Je ne comprends évidemment pas assez le fonctionnement interne des modèles LR... tout conseil est le bienvenu !
La corrélation entre la taille et le type de forêt signifie que les erreurs types de leurs estimations de paramètres sont gonflées. Cette inflation réduit la puissance du t -tests utilisés pour évaluer les estimations, les rendant moins susceptibles d'être significatives lorsqu'elles sont ensemble dans le modèle que lorsqu'elles sont modélisées séparément. Pouvez-vous partager la corrélation entre ces deux prédicteurs ?
Vous pouvez également envisager de ne pas séparer les données par Genius. Vos tests seront plus puissants. Ajoutez simplement Genius comme un autre effet (terme) dans le modèle. Vous pouvez ajouter des termes croisés aux effets d'interaction du modèle si vous pensez que l'effet de la taille ou du type de forêt dépend du Genius.
