Hola comunidad,
Tengo un DoE con varias variables de respuesta. Una de esas variables de respuesta es ordinal y tiene los niveles: -3, -2, -1, 0, 1, 2 y 3.
Mi pregunta es ¿cuál podría ser la mejor o más pertinente manera de modelar esta variable de respuesta? ¿Es modelarla como una variable ordinal utilizando regresión logística? ¿O considerar la variable como una variable continua y utilizar los mínimos cuadrados ordinales tradicionales también podría ser una alternativa? ¿Alguna advertencia sobre los 2 enfoques?
Además, ¿debería decirle de alguna manera a jmp que esta es una escala finita y que no se espera ningún resultado más allá de -3 o 3?
Gracias por cualquier idea sobre este tema.
juliano
No hay suficiente contexto para dar un consejo específico, pero aquí están mis pensamientos/preguntas. ¿Qué es la escala ordinal? ¿Se basa en la categorización humana/percepción sensorial? ¿Ha evaluado la variación de la medición en esta respuesta?
Yo comprobaría si la respuesta ordinal se correlaciona con las otras variables de respuesta (asegúrese de que la respuesta ordinal esté configurada como continua). Esto no será perfecto, pero observe los diagramas de dispersión. Luego, probaría ambos métodos de análisis. ¿Coinciden?
Hola @Julianveda ,
Parece que su respuesta ordinal podría ser una calificación sensorial, muy similar a una escala de Likert: Escala de Likert — Wikipedia .
Puede resultar muy difícil ayudarte concretamente en tu caso de uso, ya que puede depender de varios factores, algunos relacionados con la capacidad del sistema de medición y el acuerdo entre operadores, la sensibilidad, etc., y otros relacionados con las características de la muestra de datos y la elección del algoritmo. Dado que @statman ya mencionó el relacionado con la capacidad del sistema de medición, me centraré en la muestra de datos y la elección del algoritmo.
- Acerca de las características de la muestra de datos :
7 puntos es de hecho el número recomendado de niveles para este tipo de escala, pero su efectividad depende del equilibrio de los datos y la representatividad entre los diferentes niveles, así como de la cantidad de datos (y calidad, señal/ruido). En situaciones con un fuerte desequilibrio o si los operadores no utilizan (o utilizan raramente) algunas clasificaciones, puede resultar muy difícil analizar los datos "tal como están", por lo que puede resultar útil preprocesarlos o limpiarlos, por ejemplo, agrupando algunas clasificaciones o clases. Simplificar el número de clases puede ayudar a los modelos logísticos u otros algoritmos a "descubrir" las reglas para separar mejor las clases. Pero no "simplifique demasiado" su problema, o se arriesga a tener un modelo "inútil" con solo conclusiones o resultados triviales, o a tener clases muy ruidosas con muchas "realidades" o niveles diferentes en cada una de ellas.
También tenga en cuenta que usar sus calificaciones como una respuesta ordinal implica estimar más coeficientes que con una respuesta numérica continua: necesitará estimar n-1 intersecciones (siendo n el número de clases) y las estimaciones de parámetros vinculadas a sus factores (efectos principales, interacciones, ... dependiendo del modelo asumido). Puede suceder que con un DoE, no tenga suficientes datos para estimar todos estos coeficientes, por lo que podría optar por simplificar sus clases (agrupando algunas) y/o usar una respuesta continua, y/o usar un tipo diferente de modelo/algoritmo (siguiente sección).
La elección de utilizar respuestas ordinales y/o continuas también puede estar vinculada al número de clases para su respuesta, así como al espaciamiento uniforme/par entre clases (desde un punto de vista numérico y sensorial): incluso si sus clases tienen una diferencia de una entre cada clase vecina (espaciadas uniformemente desde un punto de vista numérico), ¿el operador realmente "siente" esta linealidad y uniformidad en la calificación? ¿O existen algunas "brechas" o diferencias en la percepción (como ninguna o pequeña percepción de la diferencia entre las clases intermedias -1, 0 y 1, o entre las clases extremas -3 y -2 o 2 y 3)? ¿La evaluación implica un punto de referencia (anotado 0) para que la evaluación de sus experimentos pueda realizarse en referencia a otra muestra de referencia?
- Sobre la elección del algoritmo :
Dependiendo de la linealidad de la separación entre clases/calificaciones (y el supuesto de linealidad entre la respuesta y los predictores), la regresión logística puede encontrar algunos problemas; podría ser interesante intentar usar otro tipo de modelos/algoritmos, que puedan ayudar a separar las clases de una manera no lineal. Algunos algoritmos de aprendizaje automático son efectivos para separar clases de una manera no lineal con un riesgo reducido de sobreajuste, por lo que podría intentar usar, por ejemplo , Bootstrap Forest y Support Vector Machines . Estos algoritmos también se pueden usar si decide considerar su respuesta como numérica continua.
Si sus clases son linealmente separables y sus entradas continuas, también puede consultar el Análisis Discriminante y ver cómo los diferentes métodos concuerdan o difieren acerca de los resultados.
En cualquier caso, recomendaría primero graficar los datos y visualizar las tendencias antes de realizar cualquier análisis. ¿Puedes detectar algunas tendencias/patrones? ¿La separación entre clases parece fácil/difícil (visualizar o analizar la respuesta en función de cada predictor de forma univariante para explorar tus datos)?
Espero que esta respuesta complementaria tenga sentido para ti y te ayude.
Gracias @statman por tu ayuda:)
Muchas gracias @Victor_G por los numerosos y detallados consejos.:)
He probado la clasificación, pero aún no he probado la mayoría de las otras alternativas. Lamentablemente, no tengo la versión Pro, así que para las alternativas de ML tengo que probarlas en otro lugar o quedarme con las alternativas menos avanzadas.
