772854_fr-FR

liliconcom

Problème de régression pas à pas

J'ai rencontré le problème suivant lors de la sélection d'un modèle à l'aide de la fonction Ajuster le modèle - Stepwise de JMP.

1. Si le terme d’interaction est significatif mais que l’effet principal ne l’est pas, l’effet principal est supprimé du modèle et le terme d’interaction est également supprimé.
2. Nous comprenons que si une interaction ou un terme d’ordre supérieur est significatif, nous devons conserver l’effet principal même s’il n’est pas significatif.
3. Même si nous utilisons les critères AIC/BIC en plus du seuil de valeur P, les principaux effets sont supprimés lors du processus de sélection en amont.

Je vous serais reconnaissant de bien vouloir me faire part de toute solution ou recommandation que vous pourriez avoir concernant ces problèmes.

Cela s'est produit au cours de l'année 1 en considérant quatre facteurs avec uniquement des termes d'interaction de premier ordre à l'aide des données ci-jointes.

Sélection étape par étape de JMP	6ème étape

Le terme d'interaction Facteur 1 * Facteur 4 est toujours significatif, mais le Facteur 1 a été supprimé car il n'est pas significatif.

Re : Problème de régression pas à pas

Les règles de Stepwise peuvent prêter à confusion. Le problème que vous avez rencontré concerne les règles "Combiner". Depuis l'aide de JMP :

Combiner

Calcule Valeurs p pour deux tests distincts lors de l'examen de l'entrée pour un terme qui a des précédents. La première valeur p , p 1 , est calculé en regroupant le terme avec ses termes précédents et en testant la probabilité de signification du groupe pour l'entrée en tant que groupe commun. F test. La deuxième valeur p , p 2 , est le résultat du test de la probabilité de signification du terme pour son entrée après que les termes précédents soient déjà entrés dans le modèle. La probabilité de signification finale pour l'entrée pour le terme qui a des précédents est max( p 1 , p2 ) .

Conseil: La règle Combine évite d’inclure des termes d’interaction non significatifs, dont les termes précédents peuvent avoir des effets particulièrement forts. Dans ce scénario, les effets principaux forts pourraient rendre la probabilité d'entrée significative du groupe, p 1 , très petit. Toutefois, le deuxième test révèle que l’interaction en elle-même n’est pas significative. Par conséquent, page 2 est grand et est utilisé comme probabilité de signification finale pour l’entrée.

Prudence: La valeur des degrés de liberté pour un terme qui a des précédents dépend de laquelle des deux probabilités de signification d'entrée est la plus grande. Le test utilisé pour la probabilité de signification finale d'entrée détermine les degrés de liberté, nDF , dans le tableau Budget actuel. Par conséquent, si page 1 est utilisé, nDF est égal au nombre de termes du groupe pour l'épreuve conjointe, et si page 2 est utilisé, nDF est égal à 1.

L'option Combiner est la règle par défaut. Voir Modèles avec termes croisés, d'interaction ou polynomiaux .

Alors maintenant, revenons à mes commentaires. En raison des deux tests effectués avec les règles Combine, le terme non significatif entraîne la suppression de l'interaction. Une façon d'éviter cela est de modifier vos règles pour qu'elles soient « Restreindre ». Voici les résultats en faisant cela :

Je pense que ce sont les résultats que vous attendiez.

Re : Problème de régression pas à pas

À partir de JMP 18, il existe une option pour respecter l'hérédité dans la plateforme Stepwise

 

.

Re : Problème de régression pas à pas

Salut Dan, C'est le résultat que je cherchais. Merci d'avoir suggéré l'option appropriée. Cependant, je suis toujours confus quant aux options liées à la régression pas à pas. « Restreindre » est défini dans le manuel comme « Restreint les termes qui ont des précédents afin qu'ils ne puissent pas être saisis tant que leurs précédents n'ont pas été saisis ». Cela semble être une règle différente de celle qui consiste à inclure l'effet principal si l'interaction est significative. De plus, l'option « effets globaux respectant l'hérédité » mentionnée par Don montre des résultats différents. Pourriez-vous s'il vous plaît fournir une explication plus détaillée pour m'aider à mieux comprendre ? Merci beaucoup encore une fois.

Re : Problème de régression pas à pas

@HyeWonJung utiliser Combiner, Restrict, No Rules et Whole Effect dans des modèles comportant des termes catégoriels avec plus de deux niveaux est un bon moyen de montrer ce qui se passe. À titre d'illustration, ajustez le modèle suivant à l'aide de l'ensemble de données Cars 1993. La catégorie de véhicule comporte cinq niveaux avec l'ordre de priorité suivant :

1. {Van&Large&Midsize&Sporty&Compact–Small}
2. {Van–Grand et intermédiaire et sportif et compact}
3. {Grande et moyenne taille–sportive et compacte}
4. {Grande à moyenne}
5. {Sport–Compact}

C'est ainsi que Stepwise crée des contrastes à un degré de liberté. C'est la même approche que Partition utilise pour créer des divisions. Si vous exécutez Partage avec Highway Mileage comme Y et Vehicle Category comme seul X, les divisions se produiront exactement dans cet ordre. Personnellement, je trouve que les contrastes créés de cette manière manquent souvent d'interprétabilité et préfèrent la façon dont la régression généralisée crée des contrastes à un degré de liberté en fonction des niveaux individuels. J'appellerai ces contrastes C1 – C5.

Remplacez la règle d’arrêt par le seuil de valeur P et définissez Prob sur Enter sur 0,40. Gardez la direction définie sur Avant.

Commencez sans règles. Cliquez sur Étape jusqu'à ce qu'aucun terme ne soit saisi. Les termes sont saisis dans l’ordre suivant :

1. Poids
2. Catégorie de véhicule (C2) * Poids
3. Catégorie de véhicule (C1) * Poids
4. Catégorie de véhicule (C2)
5. Catégorie de véhicule (C4) * Poids
6. Catégorie de véhicule (C1)

Assez simple. Trouvez la plus petite valeur p quelle que soit la priorité et continuez à ajouter jusqu'à ce que rien en dehors du modèle n'ait une valeur p inférieure ou égale à 0,4.

Cliquez sur Supprimer tout et répétez pour Combiner

1. Poids
2. Catégorie de véhicule (C1) * Poids ET Catégorie de véhicule (C1)
3. Catégorie de véhicule (C2)
4. Catégorie de véhicule (C4) ET Catégorie de véhicule (C3)
5. Catégorie de véhicule (C5)

Notez qu'aux étapes 2 et 4, deux effets sont ajoutés simultanément. Dans chaque cas, les valeurs p sont calculées séparément pour les deux termes. Dans le cas de l'étape 2 le premier terme ajouté est une interaction alors qu'à l'étape 4 c'est un contraste. Notez également que Catégorie de véhicule (C2) * Poids est absent du modèle même s'il s'agissait du deuxième terme ajouté dans le cas Pas de règles. En effet, lors du test, la catégorie de véhicule individuelle (C2) était significative, mais le poids de la catégorie de véhicule (C2) * ne l'était pas une fois que la catégorie de véhicule (C2) figurait dans le modèle. C'est Combine en action.

Maintenant, faites de même pour Restreindre

1. Poids
2. Catégorie de véhicule (C1)
3. Catégorie de véhicule (C1) * Poids
4. Catégorie de véhicule (C2)

Ceci est similaire à Combine, sauf que les termes sont ajoutés un par un. Les contrastes C3 et C4 n'ont pas été ajoutés avec Restrict car la valeur p pour C3 (précédente à C4) était trop grande pour entrer dans le modèle. Cependant, Combine calcule les valeurs p avec C3 et C4 dans le modèle et pour C4 après l'ajout de C3 au modèle. Tous deux sont inférieurs au seuil de 0,4.

Enfin, des effets entiers

1. Poids
2. Poids*Catégorie de véhicule (tous contrastes)

Ici, l'effet entier fait référence à tous les contrastes d'un effet et non à l'hérédité statistique. Dans ce cas, l'interaction a une valeur p plus petite et, une fois ajoutée au modèle, la valeur p de l'effet principal de la catégorie de véhicule est trop grande pour être prise en compte.

Si vous répétiez cette opération avec Whole Effects Respecting Heredity, l'effet principal serait ajouté avec l'interaction à l'étape 2.

J'espère que cela a du sens. Faites moi savoir si vous avez des questions.

Re : Problème de régression pas à pas

Mes commentaires s'appliqueront à la situation que vous avez : toutes les variables continues. Lorsque vous avez des facteurs catégoriels, cela devient un peu plus compliqué, mais je pense que Don l'a bien souligné dans son article plus long. À propos, je n’avais pas remarqué la nouvelle option signalée par Don. Je pense que l'aide de JMP le décrit assez bien :

Quant à Restrict, il restreint les interactions (et les termes quadratiques – termes qui ont des précédents) afin qu'ils ne puissent pas être saisis tant que les précédents ne sont pas saisis. En d’autres termes, une interaction ne peut être introduite dans le modèle que lorsque les principaux effets sont entrés. Dans votre situation, le facteur 1 et le facteur 2 sont tous deux entrés dans le modèle, donc le facteur 1*le facteur 2 pourrait être évalué pour l'entrée. Cependant, contrairement à Combine, Restrict n'effectue qu'un seul test sur ce terme plutôt que deux tests.

Re : Problème de régression pas à pas

Merci @dobudo @DonMcCormack !!

J'ai plongé dans chaque option grâce à votre explication et j'ai compris le mécanisme de chacune des options