変数名の隣にある {0-1} を使用した段階回帰におけるダミー変数の解釈段階回帰でのダミー変数の解釈に関する簡単な質問です。
それぞれに 2 つのカテゴリ (下位クラスターと上位クラスター、男性と女性) を持つ 2 つのカテゴリカル変数があり、男性 = 1、下位クラスター = 1 としてコード化されています。
以下のスクリーンショットの「パラメータ」の下にあるカテゴリ変数名の横にある { 0 - 1 } が混乱しています。 変数の性別を考えてみましょう。これは、値 1 (男性) の係数が 0.947 であることを意味しますか、それとも値 0 (女性) の係数が 0.947 であることを意味しますか?
基本的なデータ分析とモデリングデータの探索と視覚化Re: 変数名の隣に {0-1} を使用した段階回帰におけるダミー変数の解釈こんにちは@AlphaStarfish74 、
コミュニティへようこそ！
使用するモデリング プラットフォームに応じて、名目係数のコーディングが異なる場合があります。 自分で因子をコーディングする必要はありません。「性別」列のレベル「男性/女性」、または「クラスター下位」列の「クラスター 1/クラスター 2」をそのままにすることもできます。
「結合」ルールを備えた Stepwise プラットフォームでは、カテゴリ変数は階層形式でコード化されます。 括弧内に表示される値は、応答の平均を最も分離する用語内でグループ化されたレベルを示します。 あなたの場合、カテゴリ因子ごとにレベルが 2 つしかないため、因子の対応するレベル名が L1 と L2 である {L1-L2} のみが表示されます。
計算されたパラメーター推定値に関して、これは、考慮された因子 ({L1-L2} という表記) でレベル L2 から L1 に移行したときの平均応答の差の半分を表します。 したがって、「性別」の場合、レベルを 1 から 0 に変更すると、平均応答が対応する推定値の 2 倍、つまり約 1,896 倍増加することになります。
さまざまなプラットフォームでの因子の公称コーディングに関する詳細情報は、ここで見つけることができます。名義効果と順序効果を備えたモデル
モデル内の名目係数に関する例:名目項を使用したモデルの例
この回答がお役に立てば幸いです。
Re: 変数名の隣に {0-1} を使用した段階回帰におけるダミー変数の解釈やあ、この反応には本当に感謝しています！ 提供されているリンクは素晴らしいです。
次に推測したのは、公称変数を単独で実行したときは女性の方がよりネガティブであるように見えましたが、それを最終モデルに追加すると、女性の方がよりポジティブに見えたということです。なぜ符号が から変化したのかわかりません。 「-」から「+」
対
これがなぜ起こるのかについて何か考えはありますか?
Re: 変数名の隣に {0-1} を使用した段階回帰におけるダミー変数の解釈こんにちは@AlphaStarfish74 、
回答がお役に立てて良かったです!
2 番目の質問では、「性別」のパラメータ推定値が異なる理由を説明する 2 つの理由が考えられます。
- 同じ効果を含まない 2 つのモデル (R² が大きく異なるため、説明可能性のパフォーマンスが大きく異なる) を比較しているため、推定値は異なります。 モデルは固定された方程式ではなく、含まれる効果 (およびモデリング/分析のタイプ) に基づいて変化します。 最初のケースでは、すべての応答は、Comp Score = Intercept + a1x[Sex] という非常に単純なモデルを通じてモデル化されます。
2 番目の係数では、推定する係数は同じですが、「教育」、「村のクラスター」、およびその他の要素からの係数も必要です。 したがって、応答値を変更せずにこれらの追加要因の影響を考慮するために、「性別」の推定値と切片値が異なります。
- モデリング プラットフォームに応じて、名目係数のコーディングが異なるため、パラメーター推定値の違いも説明できます。 ここで、「Stepwise」および「Fit Model」プラットフォームを通じて名目係数のコーディングの詳細を確認できます。
この補足回答がモデルの違いを理解するのに役立つことを願っています。
