Hola, soy muy nuevo en el análisis de estadísticas y tengo lo que probablemente sea una pregunta muy básica...
Tengo problemas para interpretar los resultados de un análisis de regresión logística que hice con algunos datos simples.
Tengo un conjunto de datos de robles en dos tipos de bosques diferentes y estoy preguntando cómo el tamaño y el tipo de bosque afectan el destino (no dañado o dañado) después de un huracán.
Entonces, Y = destino, X = tamaño (variable continua) y tipo de bosque (dos categorías, bosque joven vs. bosque maduro).
Cuando ejecuto la regresión con ambas variables incluidas, ninguna es significativa. También lo ejecuté con una variable de interacción (tamaño * tipo de bosque) y nuevamente, nada es significativo.
Esto fue algo sorprendente, porque según los datos esperaba que ambas variables fueran significativas (o cercanas).
Entonces realicé una regresión logística con una variable a la vez, solo para ver qué pasaba. El tamaño no fue significativo. Sin embargo, solo con el tipo de bosque como variable, FUE significativo, ya que es más probable que los árboles que están dañados estén en bosques maduros.
Tengo problemas para entender lo que esto significa. El tamaño y el tipo de bosque están correlacionados (el tamaño es significativamente mayor en los bosques maduros) y existen razones ecológicas por las que ambos influirían fuertemente en el destino. No entiendo por qué solo el tipo de bosque es significativo, a menos que haya una variación entre los tipos de bosque (aparte del tamaño) que es muy importante aquí, lo que podría ser el caso, pero entonces, ¿por qué el tipo de bosque no sigue siendo significativo cuando se agrega? en el modelo con el tamaño?
¿Es que el tamaño está influyendo en el destino, pero no lo suficiente como para ser estadísticamente significativo, por lo que cuando se incluye explica parte de la variación, y esto es como eliminar la señal del tipo de bosque?
Obviamente no entiendo lo suficiente sobre el funcionamiento interno de los modelos LR... ¡cualquier consejo es apreciado!
La correlación entre el tamaño y el tipo de bosque significa que los errores estándar de las estimaciones de sus parámetros están inflados. Esta inflación reduce el poder de la t -pruebas utilizadas para evaluar las estimaciones, haciéndolas menos significativas cuando están juntas en el modelo que cuando se modelan por separado. ¿Puede compartir la correlación entre estos dos predictores?
También podría considerar no separar los datos por Genius. Tus pruebas serán más potentes. Simplemente agregue Genius como otro efecto (término) en el modelo. Puede agregar términos cruzados a los efectos de interacción del modelo si cree que el efecto de Tamaño o Tipo de bosque depende del genio.
