Influencia del efecto aleatorio versus efectos fijos en el Rsq total del modeloHola a todos,
Tenía una pregunta sobre cómo interrumpir el Rsq de un modelo con un efecto aleatorio frente al porcentaje de producción de contribución.
Esto es de la tabla de datos de muestra "Máquina" de JMP.
A la izquierda está el modelo sin factores aleatorios y a la derecha está la salida con ellos. Puedes ver que el Rsq va de .53 a .99 cuando agregas los efectos aleatorios.
Entonces, los efectos aleatorios pueden explicar la mitad de la variación en los datos, por lo que tanto los efectos aleatorios como los efectos fijos son muy importantes. Sin embargo, la única forma que conozco de poder verlo es ejecutando ambos modelos. ¿Hay alguna manera de observar los resultados del modelo de efectos aleatorios y llegar a la misma conclusión? Sé que puedes hacerte una idea visual al observar la diferencia entre los gráficos reales y predichos de los modelos marginal y condicional.
¡¡Gracias por cualquier idea!!
esteban
Modelado estadístico avanzadoRe: Influencia del efecto aleatorio versus efectos fijos en el modelo total Rsq¡Gracias por la rápida respuesta Víctor!
Supongo que estoy tratando de ver si hay una forma más cuantitativa de saber qué cantidad de Rsq explica el efecto aleatorio frente a los efectos fijos. En este momento, la única forma que conozco de lograr esto es ejecutar un modelo mixto y un modelo de efectos fijos y la diferencia entre los dos modelos Rsqs es cuánto explican los efectos aleatorios. Esperaba que hubiera una manera de determinar esto solo con los resultados del modelo mixto.
La razón por la que pregunto es que he tenido modelos en los que el efecto aleatorio explica casi toda la variación en los datos y pude verlo en los gráficos reales según lo predicho, pero no pude ponerle un número.
Re: Influencia del efecto aleatorio versus efectos fijos en el modelo total RsqHola @shampton82 ,
Si nos fijamos en la ecuación de R², implica una relación entre la suma de los cuadrados de los residuos (de un modelo) y la suma total de los cuadrados (relacionada con la varianza de los datos):
de Wikipedia: Coeficiente de determinación - Wikipedia
Entonces R² es una métrica que indica la proporción de variabilidad explicada por el modelo.
Cuando parte de la varianza en los datos se atribuye a un efecto aleatorio, esto reduce la parte inexplicable de la varianza, por lo que reduce la suma residual de cuadrados, aumentando así R² (de la misma manera que se agrega un efecto fijo).
También puedes ver esta situación observando la mejora del RMSE entre los dos modelos, pasando de 5,91 a 0,93 cuando se incluyen efectos aleatorios. Si cambia estos efectos de efectos aleatorios a efectos fijos, tendrá las mismas métricas R² y RMSE.
La inclusión de efectos aleatorios o fijos en un modelo está vinculada a la forma en que se han recopilado/generado los datos (por ejemplo, por el Departamento de Energía), el papel de los factores y las hipótesis/suposiciones sobre su influencia en las respuestas.
Dejaré que otros expertos profundicen en este tema.
Espero que este primer iniciador de discusión ayude.
