すべての可能なモデルの多重回帰 - モデル間の R2 の変化を評価するこんにちは、みんな、
JMP は比較的初心者です。DV を予測する IV の最適なモデルを見つけようと、すべてのサブセットの多重回帰を実行しました。AICc、BIC、Mallows に基づいて、最適なモデルがあります。ただし、同様の AICc など (ただし、より悪い) を持ち、調整された R2 がより優れた変数が 1 つ追加された別のモデルがあります。SPSS で実行できるのと同様に、JMP で 2 つのモデル間の R2 の変化 (「R2 の変化」) を統計的に比較する方法はありますか。この R2 の増加が統計的に有意かどうかを評価したいと考えています。有意ではないと思われるため、より単純なモデルを使用することをお勧めします。
どうもありがとう、
フィル
高度な統計モデリングRe: すべての可能なモデルの多重回帰 - モデル間の R2 の変化の評価こんにちは@philc86 さん、ようこそ！モデル間の違いが潜在的な変数の 1 つにすぎない場合 (説明されているように)、その追加変数の p 値が目的のものです (R^2 の有意な増加をテストするのと同じです)。一般的には、以下を参照してください。
https://www.stat.uchicago.edu/~yibi/teaching/stat224/L04.pdf
Re: すべての可能なモデルの多重回帰 - モデル間の R2 の変化の評価こんにちは、MRB3855さん。
ありがとうございます。はい、新しい変数を追加すると統計的に R2 が有意に増加するかどうかをテストしたいです。SPSS では、階層回帰 (追加変数を除くすべての変数をブロック 1 に追加し、次に追加変数をブロック 2 に追加) を使用してこれを行うことができます。ただし、JMP でこれを行う方法がわかりません。これを行う方法をご存知ですか? 統計プログラムを 1 つだけ使用し続けたいと思います。
フィル
Re: すべての可能なモデルの多重回帰 - モデル間の R2 の変化の評価こんにちは@philc86 : 変数を 1 つ以上追加する場合、JMP で直接実行する方法はありません (何か見落としている場合を除きます)。リンクを貼った記事にその方法が説明されていますが、自分で計算を行うには、必要な情報 (31 ～ 33 ページを参照) を取得するために 2 つのモデル (完全モデルと縮小モデル) を実行する必要があります。JMP の将来のバージョンでこの機能を確認したい場合は、JMP の「ウィッシュ リスト」に追加できます。https 
/community.jmp.com/t5/JMP-Wish-List/idb-p/jmp-wish-list
そして、そのやり方を説明したビデオを作成した人がいます。
https://www.youtube.com/watch?v=OwXHkoLOse8
Re: すべての可能なモデルの多重回帰 - モデル間の R2 の変化の評価コミュニティへようこそ@philc86 !
こんにちは@MRB3855 、
あなたの提案や@philc86 の当初の要求とは直接関係ありませんが、プラットフォーム「Fit Two Level Screening Platform」を使用する条件が満たされている場合 ( 「Fit Two Level Screening Platform (jmp.com) の概要」)、重要なアクティブな用語を特定し、モデルの選択に役立つ可能性があります。効果は階層的な順序に従って分析に入力されることに注意してください。
このプラットフォームは、DoE、Classical、Factor Screening、Fit Two Level Screening で使用できます。
これが議論の助けになれば幸いです。
Re: すべての可能なモデルの多重回帰 - モデル間の R2 の変化の評価こんにちは@philc86 、
JMP Pro でこれを行う方法の 1 つは、SEM プラットフォームを使用することです。これにより、完全なモデルと制限されたモデルを指定し、差異の統計的検定を行うことができます。この検定はカイ 2 乗検定ですが、階層回帰の R^2 と同じ推論が導かれます。
実際、多重回帰モデルを SEM に適合させると、Fit Model プラットフォームと同じ結果が得られます。この分析を SEM で行う利点の 1 つは、欠損データがデフォルトで最先端のアルゴリズムで処理されるため、データが捨てられることなく検出力が向上することです。
これまで SEM を使用したことがない場合は、少し学習が必要ですが、役立つかもしれないので、いくつかの JSL スクリプトをここに含めておきます。
1) 「Compare_FitModel_to_SEM.jsl」のスクリプトを実行すると、Fit Model プラットフォームと SEM プラットフォームを使用した多重回帰の結果が表示されます。出力を並べて見ると、同じ結果が確認できます。
2) スクリプト「Hierarchical_Regression_in_SEM.jsl」は、同じ SEM レポートに 2 つのモデルを適合させます。1 つは結果を予測するすべての変数を含む完全モデル、もう 1 つは結果に影響を与えない 1 つ (またはそれ以上) の変数を除くすべての変数を含む制限付きモデルです。SEM パス図では、回帰効果は矢印として表されるため、完全モデルにはすべての効果があることがわかります。
制限モデルでは1つの効果がゼロに固定されます。
この例では、カイ二乗差検定により、1 つの変数の効果をゼロに固定することによって生じる統計的に有意な量の不適合が示されています。
したがって、完全なモデルの方が優れたモデルであると結論付けられます。
SEM でこれを行う場合の 1 つの欠点は、予測子の分散と共分散がすべてモデルの一部として推定されるため、すべてが適切に機能するにはかなり大きなサンプル サイズが必要になる可能性があることです。また、カテゴリ予測子がある場合は、数値バイナリ変数 (多重回帰のダミー コード変数など) として入力する必要があります。
HTH、
~ローラ
