Correlazione tra una variabile di output ordinale e una variabile predittiva continuaCiao Comunità,
Ho una domanda su un caso per scoprire se esiste una correlazione importante tra una variabile di risposta ordinale e una variabile predittiva continua.
Questi sono i miei dati (allego anche il file JMP per ogni evenienza):
All'inizio ho pensato di utilizzare "Fit model platform" e quindi di visualizzare il coefficiente di Spearman, ma poi ho trovato queste informazioni in un libro JMP:
Secondo questa tabella, quando si ha a che fare con una variabile di risposta ordinale e una variabile predittiva continua, dovrei lavorare con la logistica ordinale. L'ho condotto nella piattaforma "Fit model" e mi ha dato questi risultati (script presente nel file allegato):
Ho dovuto esaminare diverse fonti di documentazione e video di JMP per cercare di comprendere questi risultati. Ho trovato molte fonti, ma la maggior parte delle volte si concentravano su casi logistici nominali ed erano troppo concentrati sulla descrizione di ogni parte del rapporto piuttosto che sul significato pratico e sulle informazioni più utili da ottenere da questo. Il mio obiettivo non è avere una comprensione approfondita della matematica/statistiche, ma piuttosto essere molto pratico su ciò che questi risultati mi dicono.
Quello che ho potuto capire (per favore correggimi se sbaglio) è che il valore con il cerchio verde nella figura sopra mi dice che il mio modello non è molto buono.Per il mio caso, utilizzando una singola variabile di input, potrei utilizzare questo risultato per dire finalmente che non esiste alcun tipo di correlazione o associazione tra le mie variabili di input e output? > questa è la domanda principale a cui voglio rispondere.
Ero anche interessato a comprendere i risultati del profiler di previsione:
Le proporzioni sull'asse Y mi dicono la percentuale di probabilità di avere un valore di 1, 2, 3, 4 o 5?
Infine, domande troppo brevi che sono in qualche modo correlate a questo argomento:
a) Nel caso di avere una scala Likert (scala di intensità) per la mia variabile di output, so che è principalmente una variabile ordinale e quindi da trattare anche con la logistica ordinale. Tuttavia, se ho diverse misurazioni per ogni singola prova (riga) e faccio una media dei valori, ora il risultato inizia a sembrare un numero continuo. Potrebbe in questo caso trattare quei mezzi come una variabile continua (invece che ordinale)?
b) Se la mia variabile di output sono valori di frequenza. È meglio trattarlo come variabile ordinale o potrei trattarlo come variabile continua.
Grazie per aver letto,
Giuliano
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseModellazione predittiva e Machine LearningOggetto: correlazione tra una variabile di output ordinale e una variabile predittiva continuaLa tua variabile di output (y) è molto rumorosa se ti aspettavi che x prevedesse con precisione la tua y. Il livello 5 della variabile y ha due valori x su tre che assomigliano più ai valori x di quando y=livello 1, cioè due risultati di livello 5 sono associati ai valori x di 3 e 4 facendolo sembrare più simile al livello 1 della tua variabile y che ha valori x di 9, 11 e 3. Analogamente, i livelli 2 e 4 della variabile y coprono un'ampia gamma di valori x (da 5 a 76 per il livello 2 e da 24 a 96 per il livello 3). Come conferma la tua analisi, x non è un predittore statisticamente significativo di y. C'è un'altra potenziale variabile di input non ancora misurata che potrebbe influenzare la tua variabile y?
La tua affermazione su come interpretare il profiler di previsione per un modello di regressione logistica ordinale è corretta. Ma per favore astieniti dal fidarti di queste previsioni poiché x non è un predittore significativo di y a causa dell'eccessivo rumore nella relazione.
Per quanto riguarda il tuo scenario a). Sono queste diverse misurazioni ripetute della stessa cosa? In caso affermativo, come sono la media e la varianza di queste misurazioni ripetute?
Per quanto riguarda lo scenario b). Di cosa stai misurando la frequenza? Potrebbe trattarsi di un'altra variabile da registrare che assumerebbe il ruolo ax o y nell'analisi con i dati di frequenza assegnati a un peso oa un ruolo di frequenza.
Oggetto: correlazione tra una variabile di output ordinale e una variabile predittiva continuaCIAO @malcolm_moore1 ,
Grazie mille per le tue risposte. Ho dimenticato di dire che non si trattava di dati reali, ho solo creato numeri casuali per poter illustrare il mio caso. Tuttavia, ho capito il tuo punto per la domanda principale. Per quanto riguarda i due scenari, a dire il vero, non ho capito molto bene. Penso che fornire un esempio più illustrato potrebbe chiarire meglio il mio punto di vista.
UN) Nella foto qui sotto, presento dati non reali su due variabili Y (salinosità e Y2). Inizialmente, la salinità viene valutata da una scala ordinale, ma come vedete nella figura, se più persone partecipano e faccio la media di queste note, la media sembra più una variabile quantitativa continua. Pertanto, mi chiedevo se per valutare la correlazione tra la media delle saline e la variabile Y2, potessi usare la regressione normale (nessuna regressione logistica ordinale nonostante la salsedine fosse originariamente una variabile ordinale)
Per il caso della frequenza, userò le stesse due variabili (salinosità e Y2), ma supponiamo ora che i dati che ho per la salsedine siano misurati come la percentuale delle persone che hanno trovato il prodotto specifico come salato. Lo presento nella foto qui sotto (dati inventati).
Supponiamo ora di voler valutare se esiste una correlazione tra la salinità (misurata in frequenza) e Y2 (normale variabile quantitativa). la salinità è un tipo di variabile quantitativa continua e quindi potrei usare una normale regressione per valutare la correlazione? o per il fatto che la salinità è una frequenza che dovrei considerare piuttosto come una variabile ordinale per l'analisi di correlazione? Te lo chiedo perché sembra che le frequenze siano ingannevoli e non sono riuscito a trovare informazioni chiare in merito.
Grazie per aver letto,
Giuliano
Oggetto: correlazione tra una variabile di output ordinale e una variabile predittiva continuaDovresti stare bene trattando la tua media di tre misurazioni come una variabile continua. Vedere i dati allegati per illustrare questo. Ho simulato tre colonne di 100 osservazioni da una misurazione intera nell'intervallo da 1 a 10. Se esegui lo script di distribuzione vedrai che la distribuzione più adatta della media delle tre misure intere è una distribuzione normale (conferma dell'entrata in gioco del teorema del limite centrale, che sostanzialmente afferma che la media di molte misure sarà distribuita normalmente anche se le osservazioni stesse sono campionate da una distribuzione non normale). Fai solo attenzione a non ridurre il numero di misurazioni ripetute al di sotto di 3.
Per quanto riguarda il tuo secondo caso, quindi fornendo la tua misurazione percentuale rientra nell'intervallo dal 10% al 90%, dovresti essere sicuro di trattarlo come un predittore continuo (lineare). Qualsiasi relazione con la tua variabile y potrebbe essere modellata con metodi di analisi di regressione standard. Se tuttavia la tua misurazione percentuale ha valori al di fuori dell'intervallo dal 10% al 90%, è più probabile che si verifichino relazioni non lineari con la tua variabile y. Rendere fondamentale rappresentare graficamente i dati per determinare se eventuali termini non lineari devono essere inclusi nel modello di regressione. Ricordare il modello di regressione è un'approssimazione empirica dell'andamento dei dati e non un modello meccanicistico.
Oggetto: correlazione tra una variabile di output ordinale e una variabile predittiva continuaGrazie mille @malcolm_moore1 . Le tue spiegazioni mi hanno davvero aiutato a capire meglio come affrontare queste situazioni
