Alle möglichen Modelle Multiple Regression - Bewertung der R2-Änderung zwischen ModellenHallo zusammen,
Relativ neu bei JMP. Ich habe eine multiple Regression aller Teilmengen durchgeführt, um das beste IV-Modell zu finden, das meinen AV vorhersagt. Basierend auf AICc, BIC und Mallows gibt es ein Modell, das am besten erscheint. Es gibt jedoch ein anderes Modell mit einer zusätzlichen Variable, die ähnliche AICc usw. (wenn auch schlechter), aber ein besser angepasstes R2 hat. Gibt es in JMP eine Möglichkeit, die Änderung von R2 zwischen den beiden Modellen statistisch zu vergleichen („R2-Änderung“), wie dies mit SPSS möglich ist? Ich möchte beurteilen, ob dieser Anstieg von R2 statistisch signifikant ist. Ich vermute, dass dies nicht der Fall ist, und ich sollte beim weniger komplizierten Modell bleiben.
Vielen Dank,
Phil
Erweiterte statistische ModellierungBetreff: Alle möglichen Modelle der multiplen Regression - Bewertung der R2-Änderung zwischen ModellenHallo @philc86 , und willkommen! Wenn der Unterschied zwischen den Modellen nur eine der möglichen Variablen ist (wie Sie beschreiben), dann ist der p-Wert für diese zusätzliche Variable das, wonach Sie suchen (dasselbe wie beim Testen auf einen signifikanten Anstieg von R^2). Und im Allgemeinen siehe Folgendes:
https://www.stat.uchicago.edu/~yibi/teaching/stat224/L04.pdf
Betreff: Alle möglichen Modelle der multiplen Regression - Bewertung der R2-Änderung zwischen ModellenHallo MRB3855,
Vielen Dank dafür. Ja, ich möchte testen, ob es statistisch gesehen zu einem signifikanten Anstieg von R2 kommt, wenn neue Variablen hinzugefügt werden. In SPSS kann ich dies tun, indem ich eine hierarchische Regression verwende (indem ich alle Variablen außer der zusätzlichen Variable zu Block 1 hinzufüge und dann die zusätzliche Variable in Block 2 hinzufüge). Ich kann jedoch nicht erkennen, wie das in JMP geht. Wissen Sie, wie das geht? Ich würde lieber bei der Verwendung nur eines Statistikprogramms bleiben.
Phil
Betreff: Alle möglichen Modelle der multiplen Regression - Bewertung der R2-Änderung zwischen ModellenHallo @philc86 : Bei mehr als einer zusätzlichen Variable sehe ich keine Möglichkeit, dies direkt in JMP zu tun (es sei denn, ich übersehe etwas). Der Artikel, zu dem ich einen Link bereitgestellt habe, beschreibt, wie es geht, aber Sie müssen die beiden Modelle (vollständig und reduziert) ausführen, um die Informationen zu erhalten, die Sie benötigen (siehe Seiten 31 bis 33), um die Berechnungen selbst durchzuführen. Wenn Sie diese Funktion in einer zukünftigen Version von JMP sehen möchten, können Sie sie der JMP-Wunschliste hinzufügen. https://community.jmp.com/t5/JMP-Wish-List/idb-p/jmp-wish-list
Und hier ist jemand, der ein Video gemacht hat, wie es geht.
https://www.youtube.com/watch?v=OwXHkoLOse8
Betreff: Alle möglichen Modelle der multiplen Regression - Bewertung der R2-Änderung zwischen ModellenWillkommen in der Community, @philc86 !
Hallo @MRB3855 ,
Nicht direkt mit Ihren Vorschlägen oder der ursprünglichen Nachfrage von @philc86 verbunden, aber wenn die Bedingungen zur Nutzung der Plattform „The Fit Two Level Screening Platform“ erfüllt sind ( Übersicht über die Fit Two Level Screening Platform (jmp.com) ), könnte dies dabei helfen, wichtige aktive Begriffe zu identifizieren und die Auswahl von Modellen zu erleichtern. Beachten Sie, dass Effekte in hierarchischer Reihenfolge in die Analyse einbezogen werden.
Diese Plattform finden Sie in DoE, Classical, Factor Screening und Fit Two Level Screening.
Hoffe, das hilft der Diskussion,
Betreff: Alle möglichen Modelle der multiplen Regression - Bewertung der R2-Änderung zwischen ModellenHallo @philc86 ,
Eine Möglichkeit, dies in JMP Pro zu tun, ist die Verwendung der SEM-Plattform. Sie ermöglicht Ihnen die Angabe des vollständigen Modells und des eingeschränkten Modells und bietet Ihnen dann einen statistischen Test der Unterschiede. Dieser Test ist ein Chi-Quadrat-Test, führt jedoch zu derselben Schlussfolgerung wie der R^2-Test bei der hierarchischen Regression.
Tatsächlich kann ein multiples Regressionsmodell im SEM mit denselben Ergebnissen wie mit der Fit Model-Plattform angepasst werden. Ein besonderer Vorteil dieser Analyse im SEM besteht darin, dass fehlende Daten standardmäßig mit einem hochmodernen Algorithmus verarbeitet werden, sodass keine Daten verloren gehen, was zu einer höheren Aussagekraft führt.
Wenn Sie SEM noch nie verwendet haben, ist eine gewisse Lernkurve zu bewältigen. Für den Fall, dass Sie Hilfe benötigen, füge ich hier jedoch ein paar JSL-Skripte ein:
1) Wenn Sie das Skript in „Compare_FitModel_to_SEM.jsl“ ausführen, werden Ihnen die Ergebnisse einer multiplen Regression unter Verwendung der Fit Model-Plattform und der SEM-Plattform angezeigt. Sie können die Ausgabe nebeneinander betrachten, um dieselben Ergebnisse zu sehen:
2) Das Skript „Hierarchical_Regression_in_SEM.jsl“ passt zwei Modelle in denselben SEM-Bericht ein: das vollständige Modell, das alle Variablen enthält, die das Ergebnis vorhersagen, und das eingeschränkte Modell, das alle Variablen außer einer (oder mehreren) enthält, die keinen Einfluss auf das Ergebnis haben. Im SEM-Pfaddiagramm wird ein Regressionseffekt als Pfeil dargestellt, sodass Sie sehen können, dass das vollständige Modell alle Effekte hat:
und das eingeschränkte Modell hat einen Effekt, der auf Null festgelegt ist:
In diesem Beispiel zeigt der Chi-Quadrat-Differenztest eine statistisch signifikante Fehlanpassung , die durch die Fixierung des Effekts einer Variablen auf Null verursacht wird:
Daher kommen wir zu dem Schluss, dass das vollständige Modell das bessere Modell ist.
Ein möglicher Nachteil dieser Vorgehensweise in SEM besteht darin, dass die Varianzen und Kovarianzen der Prädiktoren alle als Teil des Modells geschätzt werden und Sie daher möglicherweise eine relativ große Stichprobengröße benötigen, damit alles richtig funktioniert. Wenn Sie kategorische Prädiktoren haben, müssen diese außerdem als numerische Binärvariablen eingegeben werden (wie dummycodierte Variablen in der multiplen Regression).
HTH,
~Laura
