Hallo,
Ich habe zwei kontinuierliche und eine kategoriale Variable. Ich habe es auf JMP Pro 16 ausgeführt (die Ausgabedatei des Laufs ist angehängt), als Eingabe habe ich Y als kategoriale Variable (JA/NEIN) angegeben und den Modelleffekt als zwei kontinuierliche konstruieren variabel, Persönlichkeit: Nominale Logistik und Zielniveau: JA
- Erstens wollte ich wissen, dass die Ausführung eines nominalen logistischen Regressionsmodells eine gute Option ist.
- Zweitens, wie finde ich die Abhängigkeit, bedeutet, dass zwei kontinuierliche Variablen unabhängig voneinander mit einer kategorialen Variablen verknüpft sind, oder gibt es eine gegenseitige Abhängigkeit?
- Drittens, wie man herausfindet, ob zwei kontinuierliche Variablen miteinander kollinear sind, ohne ihre Signifikanz zu verlieren.
Hallo @Kumar_Amar ,
Willkommen in der Community!
Ich werde mein Bestes geben, um Ihre Fragen zu beantworten:
- Es gibt keine richtige oder falsche Option. Wenn Sie jedoch versuchen, eine kategoriale Reaktion zu erklären/verstehen oder vorherzusagen, kann eine nominale logistische Regression ein guter Ausgangspunkt sein und dabei helfen, eine einfache Modellgrundlage für den Vergleich mit anderen Modellierungsoptionen bereitzustellen. Da Ihnen darüber hinaus nur zwei mögliche Variablen zur Erklärung/Vorhersage Ihrer kategorialen Antwort zur Verfügung stehen, ist es eine gute Idee, mit einem einfachen Modell zu beginnen. Die Wahl des Modells ist an verschiedene Parameter geknüpft, die Ihnen dabei helfen können, die für Sie „richtige“ Wahl zu definieren. Hier sind einige Fragen, die Ihnen helfen können, Ihre Fragen und Ziele zu verfeinern:
- Frage und Ziel: Liegt der Fokus eher auf der Vorhersage (und baumbasierte Modelle wie Entscheidungsbaum/Boosted Tree oder Random Forest können hilfreich sein) oder der Erklärung (mit statistischem Modell und Signifikanzbewertung) dieser Klassifizierung basierend auf den beiden Faktoren?
- Benutzer: Was ist Ihre Erfahrung und Ihr „Hintergrund“ in der Modellierung und welche Erwartungen haben Sie hinsichtlich der Leistungen, die Sie erreichen möchten (statistischer Frequentist, Bayesian, maschinelles Lernen, ... Denkweisen)?
- Daten: Sind die Daten „fest“ oder werden Sie in Zukunft weitere Daten erfassen, die Sie klassifizieren möchten? Sind die Daten repräsentativ für Ihr System/Ihren Studienfall? Wie viele Proben/Beobachtungen haben Sie? Stammen die Daten aus geplanten Experimenten (DoE) oder werden sie ohne einen vordefinierten Plan gesammelt? Wie ausgewogen sind die Daten zwischen den JA/NEIN-Klassen?
- Leistung: Wie messen Sie die Leistung in diesem Anwendungsfall? Irgendwelche Präferenzen bei den Metriken (Präzision, Rückruf, F1-Score, ...) oder irgendwelche Unterschiede zwischen falschen Vorhersagen: Vielleicht stellen falsch positive Ergebnisse einen höheren Preis dar als falsch positive Ergebnisse (oder umgekehrt)? Ein Blick auf die vollständige Verwirrungsmatrix kann dabei helfen, festzustellen, wo das Modell bei der Klassifizierung Fehler macht, und kann Aufschluss darüber geben, wo die Entscheidungsschwelle abhängig vom Datenungleichgewicht und den relativen Kosten der Fehler festgelegt werden muss.
- und 3. Sie können die Abhängigkeit zwischen Ihren Variablen auf unterschiedliche Weise anzeigen. Die einfachste Möglichkeit besteht jedoch möglicherweise darin, Graph Builder zu verwenden, um X1 vs Multivariate Plattform um Korrelationen zwischen jedem Paar kontinuierlicher Variablen zu überprüfen. Sie können mit dem auch einzelne Beziehungen zwischen Ihrer kategorialen Antwort und jeder Ihrer kontinuierlichen Variablen überprüfen Passen Sie Y an X an Plattform.
Schließlich können Sie in Situationen mit mehr Variablen auch die VIF-Scores überprüfen. In den folgenden Diskussionen werden mehrere gute Optionen aufgeführt:
Test auf Kolinearität – JMP User Community
Gelöst: Auf Multikollinearität in der ordinalen logistischen Regression prüfen – JMP-Benutzer-Community
Ich hoffe, diese Antwort hilft dir 
