Interpretazione delle variabili fittizie nella regressione graduale con {0-1} accanto al nome della variabileSolo una breve domanda sull'interpretazione delle mie variabili fittizie in una regressione graduale.
Ho due variabili categoriali con due categorie ciascuna (cluster inferiore vs superiore e maschio vs femmina) codificate come: maschio = 1 e cluster inferiore = 1.
Sono confuso da { 0 - 1 } accanto al nome della variabile categoriale sotto "parametro" nello screenshot qui sotto. Prendiamo la variabile genere: questo significa che un valore 1 (maschio) ha un coeff di 0,947, o un valore 0 (femmina) ha un coeff di 0,947?
Analisi e modellazione dei dati di baseEsplorazione e visualizzazione dei datiRi: Interpretazione delle variabili fittizie nella regressione graduale con {0-1} accanto al nome della variabileCiao @AlphaStarfish74 ,
Benvenuto nella Comunità!
A seconda della piattaforma di modellazione utilizzata, la codifica dei fattori nominali può essere diversa. Non è necessario codificare i fattori da solo, potresti aver lasciato i livelli "Maschio/femmina" nella colonna "Sesso" o "Cluster1/Cluster2" nella colonna "Cluster inferiore".
Nella piattaforma Stepwise con le regole "Combina" le variabili categoriali sono codificate in modo gerarchico. I valori visualizzati tra parentesi mostrano i livelli raggruppati nel termine che separano maggiormente la media della risposta. Nel tuo caso, poiché hai solo due livelli per ciascuno dei tuoi fattori categoriali, vedi solo {L1-L2} con L1 e L2 i nomi dei livelli corrispondenti del tuo fattore.
Per quanto riguarda la stima del parametro calcolato, questo rappresenta la metà della differenza nella risposta media quando si passa dal livello L2 a L1 sul fattore considerato (con la notazione {L1-L2}). Quindi, nel tuo caso per "Sesso", se modifichi il livello da 1 a 0, ciò si traduce in un aumento della risposta media di 2 volte la stima corrispondente, quindi circa 1.896.
Puoi trovare maggiori informazioni sulla codifica nominale dei fattori nelle diverse piattaforme qui: Modelli con effetti nominali e ordinali
E un esempio sul fattore nominale nel modello: Esempio di modello con durata nominale
Spero che questa risposta ti possa aiutare,
Ri: Interpretazione delle variabili fittizie nella regressione graduale con {0-1} accanto al nome della variabileEhi, grazie mille per questa risposta, l'apprezzo davvero! I collegamenti forniti sono fantastici.
Penso che quello che mi ha fatto dubitare è stato che quando ho eseguito la variabile nominale da sola sembrava che le femmine fossero più negative, ma quando l'ho aggiunta nel modello finale sembrava che fossero più positive... non sono sicuro del motivo per cui il segno è cambiato da "-" a "+"
contro
Qualche idea sul perché questo potrebbe essere?
Ri: Interpretazione delle variabili fittizie nella regressione graduale con {0-1} accanto al nome della variabileCIAO @AlphaStarfish74 ,
Sono felice che la risposta sia stata utile!
Per quanto riguarda la tua seconda domanda, potrebbero esserci due ragioni che spiegano perché la stima del parametro per "Sesso" è diversa:
- Stai confrontando due modelli (con prestazioni di spiegabilità molto diverse attraverso R² molto diversi) che non includono gli stessi effetti, quindi le stime saranno diverse. Un modello non è un'equazione fissa, cambia in base agli effetti che include (e al tipo di modellazione/analisi). Nel tuo primo caso, ogni risposta è modellata attraverso un modello molto semplice, Comp Score = Intercept + a1x[Sex].
Nel secondo, hai ancora lo stesso coefficiente da stimare, ma anche quelli di "Istruzione", "Cluster di villaggi" e gli altri fattori. Pertanto, per tenere conto dell'influenza di questi fattori aggiuntivi senza modificare i valori di risposta, la stima del "Sesso" sarà diversa, così come il valore dell'Intercetta.
- A seconda della piattaforma di modellazione, la codifica del fattore nominale è diversa, il che può anche spiegare la differenza nei valori di stima dei parametri. Puoi avere maggiori dettagli sulla codifica dei fattori nominali tramite la piattaforma "Stepwise" e "Fit Model" qui:
Spero che questa risposta complementare ti aiuti a capire le differenze dei tuoi modelli,
