772854_es-ES

liliconcom

Problema de regresión gradual

Encontré el siguiente problema al seleccionar un modelo usando la función Ajustar modelo - Paso a paso de JMP.

1. Si el término de interacción es significativo pero el efecto principal no lo es, el efecto principal se elimina del modelo y también se elimina el término de interacción.
2. Entendemos que si una interacción o término de orden superior es significativo, debemos mantener el efecto principal incluso si no es significativo.
3. Incluso si utilizamos criterios AIC/BIC además del umbral del valor P, los efectos principales se eliminan durante el proceso de selección hacia atrás.

Le agradecería que me hiciera saber cualquier solución o recomendación que pueda tener con respecto a estos problemas.

Esto ocurrió en Y1 al considerar cuatro factores con solo términos de interacción de primer orden utilizando los datos adjuntos.

Selección paso a paso de JMP	6to paso

El término de interacción Factor 1 * Factor 4 sigue siendo significativo, pero el Factor 1 no lo es y se ha eliminado.

Re: Problema de regresión gradual

Las reglas de Stepwise pueden resultar confusas. El problema con el que se ha topado son las reglas de "Combinar". De la ayuda de JMP:

Combinar

Calcula Valores de p para dos pruebas separadas al considerar la entrada de un término que tiene precedentes. La primera valor p , p 1 , se calcula agrupando el término con sus términos precedentes y probando la probabilidad de significancia del grupo para la entrada como conjunto F prueba. El segundo valor p , p 2 , es el resultado de probar la probabilidad de significancia del término para su entrada después de que los términos precedentes ya hayan entrado en el modelo. La probabilidad de significancia final para la entrada del término que tiene precedentes es max( p 1 , pág 2 ).

Consejo: La regla Combinar evita incluir términos de interacción no significativos, cuyos términos precedentes pueden tener efectos particularmente fuertes. En este escenario, los fuertes efectos principales podrían hacer que la probabilidad de entrada del grupo sea significativa, p 1 , muy pequeño. Sin embargo, la segunda prueba encuentra que la interacción por sí sola no es significativa. Como resultado, página 2 es grande y se utiliza como probabilidad de significación final para la entrada.

Precaución: El valor de los grados de libertad para un término que tiene precedentes depende de cuál de las dos probabilidades significativas de entrada es mayor. La prueba utilizada para la probabilidad de significancia final de entrada determina los grados de libertad, nDF , en la tabla Estimaciones actuales. Por lo tanto, si página 1 se utiliza, nDF es igual al número de términos en el grupo para la prueba conjunta, y si página 2 se utiliza, nDF es igual a 1.

La opción Combinar es la regla predeterminada. Ver Modelos con términos cruzados, de interacción o polinomiales .

Ahora volvamos a mis comentarios. Debido a las dos pruebas que se realizan con las reglas de Combinación, el término no significativo impulsa la eliminación de la interacción. Una forma de evitar esto es cambiar sus Reglas para que sean "Restringir". Aquí están los resultados al hacer eso:

Creo que estos son los resultados que esperabas.

Re: Problema de regresión gradual

A partir de JMP 18, existe una opción para respetar la herencia en la plataforma Stepwise

 

.

Re: Problema de regresión gradual

Hola Dan, este es el resultado que estaba buscando. Gracias por sugerir la opción adecuada. Sin embargo, todavía estoy confundido acerca de las opciones relacionadas con la regresión por pasos. "Restringir" se define en el manual como "Restringe los términos que tienen precedentes para que no puedan ingresarse hasta que se ingresen sus precedentes". Esta parece ser una regla diferente a incluir el efecto principal si la interacción es significativa. Además, la opción "efectos totales con respecto a la herencia" que mencionó Don muestra resultados diferentes. ¿Podría proporcionarme una explicación más detallada para ayudarme a comprender mejor? Muchas gracias de nuevo.

Re: Problema de regresión gradual

@HyeWonJung usa Combinar, Restringir, Sin reglas y Efecto completo en modelos que tienen términos categóricos con más de dos niveles es una buena manera de mostrar lo que está sucediendo. A modo de ilustración, ajuste el siguiente modelo utilizando el conjunto de datos de Cars 1993. La categoría de vehículo tiene cinco niveles con el siguiente orden de prioridad:

1. {Van&Grande&Mediana&Deportiva&Compacta–Pequeña}
2. {Van–Grande, Mediana, Deportiva y Compacta}
3. {Grande y mediano: deportivo y compacto}
4. {Grande-mediano}
5. {Deportivo-Compacto}

Así es como Stepwise construye contrastes de un grado de libertad. Es el mismo enfoque que utiliza Partition para crear divisiones. Si ejecuta la partición con el kilometraje en carretera como Y y la categoría del vehículo como única X, las divisiones se producirán exactamente en este orden. Personalmente, encuentro que los contrastes creados de esta manera a menudo carecen de interpretabilidad y prefiero la forma en que la Regresión Generalizada crea contrastes de un grado de libertad basados ​​en los niveles individuales. Me referiré a estos contrastes como C1 – C5.

Cambie la regla de detención a Umbral de valor P y establezca Prob para ingresar en 0,40. Mantenga la Dirección configurada en Adelante.

Comience sin reglas. Haga clic en Paso hasta que no se ingresen más términos. Los términos se ingresan en el siguiente orden:

1. Peso
2. Categoría de vehículo (C2) * Peso
3. Categoría de vehículo (C1) * Peso
4. Categoría de vehículo (C2)
5. Categoría de vehículo (C4) * Peso
6. Categoría de vehículo (C1)

Muy claro. Encuentre el valor p más pequeño independientemente de la precedencia y siga sumando hasta que nada fuera del modelo tenga un valor p menor o igual a 0,4.

Haga clic en Eliminar todo y repita para Combinar

1. Peso
2. Categoría de vehículo (C1) * Peso Y Categoría de vehículo (C1)
3. Categoría de vehículo (C2)
4. Categoría de vehículo (C4) Y Categoría de vehículo (C3)
5. Categoría de vehículo (C5)

Observe que en los pasos 2 y 4 se agregan dos efectos simultáneamente. En cada caso, los valores p se calculan por separado para ambos términos. En el caso del paso 2, el primer término agregado es una interacción, mientras que en el paso 4 es un contraste. También tenga en cuenta que Categoría de vehículo (C2) * Falta peso en el modelo a pesar de que fue el segundo término agregado en el caso Sin reglas. Esto se debe a que cuando se probó la categoría de vehículo individual (C2) fue significativa, pero la categoría de vehículo (C2) * el peso no lo fue una vez que la categoría de vehículo (C2) estuvo en el modelo. Esto es Combine en acción.

Ahora haz lo mismo para Restringir

1. Peso
2. Categoría de vehículo (C1)
3. Categoría de vehículo (C1) * Peso
4. Categoría de vehículo (C2)

Esto es similar a Combinar excepto que los términos se agregan uno a la vez. Los contrastes C3 y C4 no se agregaron con Restringir porque el valor p para C3 (precedente de C4) era demasiado grande para ingresar al modelo. Sin embargo, Combine calcula los valores p con C3 y C4 en el modelo y para C4 después de agregar C3 al modelo. Ambos son más pequeños que el límite de 0,4.

Finalmente, efectos completos

1. Peso
2. Peso*Categoría del vehículo (todos los contrastes)

Aquí el efecto total se refiere a todos los contrastes en cualquier efecto y no a la herencia estadística. En este caso, la interacción tiene un valor p más pequeño y una vez agregada al modelo hace que el valor p del efecto principal de la categoría de vehículo sea demasiado grande para considerarlo.

Si hiciera esto una vez más con Whole Effects Respecting Heredity, el efecto principal se agregaría con la interacción en el paso 2.

Espero que esto tenga sentido. Déjeme saber si usted tiene preguntas.

Re: Problema de regresión gradual

Mis comentarios se aplicarán a la situación que tienes: todas las variables continuas. Cuando tienes factores categóricos, se vuelve un poco más complicado, pero creo que Don lo ha señalado bien en su publicación más extensa. Por cierto, no me había dado cuenta de la nueva opción que me señaló Don. Creo que la ayuda de JMP lo describe bastante bien:

En cuanto a Restringir, restringe las interacciones (y las cuadráticas, términos que tienen precedentes) para que no se puedan ingresar hasta que se ingresen los precedentes. En otras palabras, no se puede introducir una interacción en el modelo hasta que hayan entrado los efectos principales. En su situación, el Factor 1 y el Factor 2 ingresaron al modelo, por lo que se podría evaluar la entrada del Factor 1*Factor 2. Sin embargo, a diferencia de Combine, Restrict solo realiza una prueba en ese término en lugar de dos pruebas.

Re: Problema de regresión gradual

¡¡Gracias @dobudo @DonMcCormack !!

Me sumergí en cada opción gracias a tu explicación y entendí el mecanismo de cada una de las opciones.