Profileur de prédiction avec variables nominalesSalut tout le monde!
J'ai 6 variables continues (N0 à N5) et une variable nominale (nommée "recode") que j'aimerais analyser avec le profileur de prédiction. La variable nominale "recode" a 4 valeurs (1,2,3,4).
Lorsque je lance le profileur de prédiction, la variable nominale est « divisée » en trois sections (voir l'image ci-dessous).
Comment l’interpréter ? par exemple, comment configurer le profileur pour qu'il affiche les valeurs prédites pour toutes les variables lorsque « recode » est égal à 1 ?
Merci!!
Analyse et modélisation des données de baseExploration et visualisation des donnéesConception d'expériencesRe : Profileur de prédiction avec variables nominalesSalut @Lavik17 : Pas sûr sans en savoir plus sur les données et le modèle que vous proposez ; mais, d'après ce que je vois, je suppose que vous avez un problème de singularité qui peut survenir lorsque vous essayez d'estimer plus de paramètres que vous n'avez de degrés de liberté. Je suppose que cela provient de termes d'interaction qui ne sont pas estimables (car les combinaisons de facteurs requises pour estimer les interactions ne sont pas disponibles). Les problèmes de singularité seront identifiés dans le résultat. Pouvez-vous partager plus d'informations sur vos données et votre modèle ?
Re : Profileur de prédiction avec variables nominalesDésolé, je suis un peu confus par votre requête.Est-il possible pour vous de joindre votre expérience (ok pour la coder).Il semble que le facteur catégoriel (nominal) soit mal configuré.Qu'entendez-vous par « analyser avec un profileur de prédiction » ?Vous souhaiterez peut-être d'abord déterminer si les facteurs de votre modèle sont utiles et statistiquement significatifs avant d'examiner le profileur (par exemple, il ne semble pas que N2 ou N4 aient beaucoup d'effet).
Re : Profileur de prédiction avec variables nominalesCe modèle est-il issu de la plateforme Stepwise ?
Re : Profileur de prédiction avec variables nominalesSalut @Lavik17 ,
Comme le suggère implicitement @Mark_Bailey selon la plateforme que vous utilisez et les paramètres que vous avez utilisés lors du lancement d'une plateforme, les effets catégoriels sont traités différemment :
- Pour l'approche "Fit Model" (Standard Moindres Carrés) :
" Lorsque vous saisissez une colonne avec un type de modélisation nominal dans la fenêtre de lancement Ajuster le modèle, JMP la représente en interne sous la forme d'un ensemble de variables indicatrices continues. Chaque variable prend uniquement les valeurs –1, 0 et 1. (Notez que ce codage est l'une des nombreuses façons d'utiliser les variables indicatrices pour coder les variables nominales.) Si votre colonne nominale a n niveaux, alors n –1 de ces variables indicatrices est nécessaire pour le représenter. (Le besoin de n Les variables de l’indicateur –1 sont directement liées au fait que l’effet principal associé à la colonne nominale a n –1 degrés de liberté.) Tous les détails sont traités dans Facteurs nominaux . "
Depuis : Détails statistiques pour le codage des effets nominaux
- Pour la "Régression Généralisée" (Moins Carrés Standards ou autres méthodes d'estimation) :
" Le paramétrage des variables nominales utilisées dans la personnalité de régression généralisée diffère de leur paramétrage utilisant d'autres personnalités du modèle d'ajustement. La personnalité de régression généralisée utilise le paramétrage de la fonction indicatrice. Dans ce paramétrage, l'estimation qui correspond à l'indicateur d'un niveau d'une variable nominale est une estimation de la différence entre la réponse moyenne à ce niveau et la réponse moyenne au dernier niveau. Le dernier niveau est celui avec le codage d'ordre de valeur le plus élevé ; c'est le niveau dont la fonction d'indicateur n'est pas incluse dans le modèle."
De : Lancer la personnalité de régression généralisée
Vous pouvez donc vous retrouver avec des estimations et des valeurs p des effets différentes selon la plateforme utilisée.
Et enfin, si vous utilisez la méthode Stepwise, vous risquez de vous retrouver avec le profileur que vous avez si vous ne sélectionnez pas la règle "Effet global", car la sélection Stepwise ne sélectionnera que les termes significatifs en fonction des règles que vous avez spécifiées, qui peut sélectionner seulement quelques "niveaux" à partir d'un facteur catégoriel, entraînant le fractionnement de ce facteur catégoriel en plusieurs facteurs sur le profileur.
Plus d'infos ici : https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/stepwise-regression-control-panel.shtml#ww311299
J'espère que ceci vous aidera,
