Interpretation von Dummy-Variablen in der schrittweisen Regression mit {0-1} neben dem VariablennamenNur eine kurze Frage zur Interpretation meiner Dummy-Variablen in einer schrittweisen Regression.
Ich habe zwei kategoriale Variablen mit jeweils zwei Kategorien (unterer vs. oberer Cluster und männlich vs. weiblich), codiert als: Männlich = 1 und unterer Cluster = 1.
Mich verwirrt das { 0 - 1 } neben dem kategorialen Variablennamen unter „Parameter“ im Screenshot unten. Nehmen Sie die Variable Geschlecht: Bedeutet dies, dass ein Wert von 1 (männlich) einen Koeffizienten von 0,947 hat, oder ein Wert von 0 (weiblich) einen Koeffizienten von 0,947 hat?
Grundlegende Datenanalyse und ModellierungDatenexploration und -visualisierungBetreff: Interpretation von Dummy-Variablen in der schrittweisen Regression mit {0-1} neben dem VariablennamenHallo @AlphaStarfish74 ,
Willkommen in der Community!
Je nachdem, welche Modellierungsplattform Sie verwenden, kann die Codierung der Nominalfaktoren unterschiedlich sein. Sie müssen die Faktoren nicht selbst codieren, Sie hätten die Ebenen „Männlich/weiblich“ in der Spalte „Geschlecht“ oder „Cluster1/Cluster2“ in der Spalte „Cluster Lower“ belassen können.
In der Stepwise-Plattform mit den Regeln „Combine“ werden die kategorialen Variablen hierarchisch codiert. Die Werte, die Sie in Klammern sehen, zeigen die im Term gruppierten Ebenen, die den Mittelwert der Antwort am weitesten voneinander trennen. Da Sie in Ihrem Fall nur zwei Ebenen für jeden Ihrer kategorialen Faktoren haben, sehen Sie nur {L1-L2}, wobei L1 und L2 die entsprechenden Ebenennamen Ihres Faktors sind.
Was die berechnete Parameterschätzung betrifft, so stellt diese die halbe Differenz der mittleren Antwort dar, wenn man für den betrachteten Faktor von Stufe L2 zu L1 wechselt (mit der Notation {L1-L2}). Wenn Sie also in Ihrem Fall für „Geschlecht“ den Wert von 1 auf 0 ändern, erhöht sich die mittlere Antwort um das Doppelte der entsprechenden Schätzung, also etwa 1.896.
Weitere Informationen zur nominalen Kodierung von Faktoren in den verschiedenen Plattformen finden Sie hier: Modelle mit nominalen und ordinalen Effekten
Und ein Beispiel zum Nominalfaktor im Modell: Beispiel eines Modells mit einem Nominalterm
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Interpretation von Dummy-Variablen in der schrittweisen Regression mit {0-1} neben dem VariablennamenHey, vielen Dank für diese Antwort, ich weiß das wirklich zu schätzen! Die bereitgestellten Links sind großartig.
Ich denke, was mich zum Nachdenken gebracht hat, war, dass es so aussah, als ob Frauen negativer wären, als ich nur die nominale Variable durchführte, aber als ich es in das endgültige Modell einfügte, sah es so aus, als wären sie positiver ... Ich bin mir nicht sicher, warum sich das Vorzeichen von geändert hat „-“ bis „+“
vs
Irgendwelche Gedanken darüber, warum das so sein könnte?
Betreff: Interpretation von Dummy-Variablen in der schrittweisen Regression mit {0-1} neben dem VariablennamenHallo @AlphaStarfish74 ,
Freut mich, dass die Antwort hilfreich war!
Zu Ihrer zweiten Frage kann es zwei Gründe geben, die erklären, warum die Parameterschätzung für „Geschlecht“ unterschiedlich ist:
- Sie vergleichen zwei Modelle (mit sehr unterschiedlicher Erklärbarkeitsleistung durch stark unterschiedliches R²), die nicht die gleichen Effekte beinhalten, sodass die Schätzungen unterschiedlich sein werden. Ein Modell ist keine feste Gleichung, es ändert sich je nachdem, welche Effekte es beinhaltet (und der Art der Modellierung/Analyse). In Ihrem ersten Fall werden alle Antworten durch ein sehr einfaches Modell modelliert: Comp Score = Intercept + a1x[Sex].
Im zweiten Fall müssen Sie immer noch den gleichen Koeffizienten schätzen, aber auch die aus „Bildung“, „Dorfcluster“ und den anderen Faktoren. Um den Einfluss dieser zusätzlichen Faktoren zu berücksichtigen, ohne die Antwortwerte zu ändern, wird die Schätzung von „Geschlecht“ unterschiedlich sein, ebenso wie der Intercept-Wert.
- Je nach Modellierungsplattform ist die Codierung des Nominalfaktors unterschiedlich, was auch den Unterschied in den Parameterschätzwerten erklären kann. Weitere Einzelheiten zur Kodierung von Nominalfaktoren über die Plattformen „Stepwise“ und „Fit Model“ finden Sie hier:
Ich hoffe, dass diese ergänzende Antwort Ihnen hilft, die Unterschiede zwischen Ihren Modellen zu verstehen.
