786203_fr-FR

liliconcom

Régression multiple de tous les modèles possibles - évaluation du changement de R2 entre les modèles

Salut tout le monde,

Relativement nouveau sur JMP. J'ai effectué une régression multiple sur tous les sous-ensembles car j'essaie de trouver le meilleur modèle de IV qui prédit ma DV. Sur la base de l'AICc, du BIC et de Mallows, il existe un modèle qui semble le meilleur. Cependant, il existe un autre modèle qui a une variable supplémentaire qui a un AICc etc similaire (bien que pire), mais un R2 mieux ajusté. Existe-t-il un moyen dans JMP de comparer statistiquement la variation de R2 entre les deux modèles (« variation de R2 »), comme cela peut être fait avec SPSS ? Je veux évaluer si cette augmentation de R2 est statistiquement significative. Je pense que ce n'est pas le cas et je devrais m'en tenir au modèle le moins compliqué.

Merci beaucoup,

Phil

Modélisation statistique avancéeRé: Régression multiple sur tous les modèles possibles - évaluation du changement de R2 entre les modèles

Bonjour @philc86 et bienvenue ! Si la différence entre les modèles n'est qu'une des variables potentielles (comme vous le décrivez), alors la valeur p pour cette variable supplémentaire est ce que vous recherchez (comme pour tester une augmentation significative de R^2). Et, en général, voyez ce qui suit :

https://www.stat.uchicago.edu/~yibi/teaching/stat224/L04.pdf

Ré: Régression multiple sur tous les modèles possibles - évaluation du changement de R2 entre les modèles

Bonjour MRB3855,

Merci pour cela. Oui, je veux tester s'il y a une augmentation significative de R2 statistiquement parlant lors de l'ajout de nouvelles variables. Dans SPSS, je peux le faire en utilisant la régression hiérarchique (en ajoutant toutes les variables sauf la variable supplémentaire au bloc 1, puis en ajoutant la variable supplémentaire au bloc 2). Cependant, je ne vois pas comment faire cela dans JMP. Savez-vous comment faire cela ? Je préférerais continuer à utiliser un seul programme de statistiques.

Phil

Ré: Régression multiple sur tous les modèles possibles - évaluation du changement de R2 entre les modèles

Salut @philc86 : Pour plus d'une variable supplémentaire, je ne vois pas comment le faire directement dans JMP (à moins que quelque chose ne m'échappe). L'article dont j'ai fourni un lien décrit comment le faire, mais vous devrez exécuter les deux modèles (complet et réduit) pour obtenir les informations dont vous avez besoin (voir pages 31 à 33) pour effectuer les calculs vous-même. Si vous souhaitez voir cette capacité dans une future version de JMP, vous pouvez l'ajouter à la « liste de souhaits » de JMP. https://community.jmp.com/t5/JMP-Wish-List/idb-p/jmp-wish-list

Et voici quelqu'un qui a fait une vidéo sur la façon de le faire.

https://www.youtube.com/watch?v=OwXHkoLOse8

Ré: Régression multiple de tous les modèles possibles - évaluation de la variation de R2 entre les modèles

Bienvenue dans la communauté @philc86 !

Salut @MRB3855 ,

Cela n'a aucun rapport direct avec vos suggestions ou la demande initiale de @philc86 , mais si les conditions d'utilisation de la plateforme Fit Two Level Screening Platform sont remplies ( Présentation de la plateforme Fit Two Level Screening Platform (jmp.com) ), cela pourrait aider à identifier les termes actifs importants et aider à la sélection du ou des modèles. Notez que les effets sont saisis dans l'analyse selon un ordre hiérarchique.

Cette plateforme est disponible dans DoE, Classical, Factor Screening, Fit Two Level Screening.

J'espère que cela pourra aider la discussion,

Ré: Régression multiple de tous les modèles possibles - évaluation de la variation de R2 entre les modèles

Salut @philc86 ,

Une façon de procéder dans JMP Pro consiste à utiliser la plateforme SEM. Elle vous permet de spécifier le modèle complet, le modèle restreint, puis vous propose un test statistique de la différence. Ce test est un test du chi carré, mais il conduira à la même inférence que le R^2 dans la régression hiérarchique.

En effet, un modèle de régression multiple peut être ajusté dans le SEM avec les mêmes résultats que la plateforme Fit Model. L'un des avantages particuliers de cette analyse dans le SEM est qu'il gère les données manquantes avec un algorithme de pointe par défaut, de sorte qu'aucune donnée n'est supprimée, ce qui augmente la puissance.

Il y a une petite courbe d'apprentissage si vous n'avez jamais utilisé SEM auparavant, cependant, j'inclus ici quelques scripts JSL au cas où ils vous aideraient :

1) L'exécution du script dans « Compare_FitModel_to_SEM.jsl » vous montrera les résultats d'une régression multiple utilisant la plateforme Fit Model et la plateforme SEM. Vous pouvez regarder les résultats côte à côte pour voir les mêmes résultats :

2) Le script « Hierarchical_Regression_in_SEM.jsl » intègre deux modèles dans le même rapport SEM ; le modèle complet, qui contient toutes les variables prédisant le résultat, et le modèle restreint, qui contient toutes les variables sauf une (ou plusieurs) sans effet sur le résultat. Dans le diagramme de trajectoire SEM, un effet de régression est représenté par une flèche, vous pouvez donc voir que le modèle complet a tous les effets :

et le modèle restreint a un effet fixé à zéro :

Dans cet exemple, le test de différence du chi carré montre une quantité statistiquement significative d' inadéquation induite par la fixation de l'effet d'une variable à zéro :

Nous concluons donc que le modèle complet est le meilleur modèle.

L'un des inconvénients possibles de cette méthode dans le modèle SEM est que les variances et les covariances des prédicteurs sont toutes estimées dans le cadre du modèle. Par conséquent, vous aurez peut-être besoin d'un échantillon de taille raisonnablement grande pour que tout fonctionne correctement. De plus, si vous avez des prédicteurs catégoriels, ils doivent être saisis sous forme de variables binaires numériques (comme des variables codées fictives dans la régression multiple).

HTH,

~Laura