Différences dans les estimations de paramètres utilisant la même analyse de régression multiple.Chers tous,
J'ai utilisé JMP pour évaluer l'effet de l'âge d'entrée (AAE) et du statut tabagique sur une mesure de la fonction mitochondriale (en continu). Statut tabagique codé 1 ou 0 (oui, non), en utilisant une régression multiple.
J'ai saisi tous ces paramètres dans le modèle d'ajustement - Y = paramètre mitochondrial, j'ai construit les effets du modèle - AAE et statut tabagique, et j'ai exécuté un modèle standard des moindres carrés. J'ai remarqué que ce résultat produisait des estimations de paramètres différentes pour une analyse identique en utilisant les mêmes données sur SPSS.
Je suis ensuite retourné à JMP et j'ai effectué l'analyse, mais j'ai utilisé l'option de régression généralisée et j'ai sélectionné les moindres carrés standard comme méthode d'estimation. Le résultat était alors différent de celui de l'analyse des moindres carrés d'origine (avec une constante différente et des estimations de paramètres différentes) et du modèle SPSS. Le R2 global, le R2 ajusté, etc. étaient tous les mêmes.
Bien que je pense que si j'entrais un âge et un statut tabagique dans l'un des modèles, cela me donnerait la même estimation pour la mesure mitochondriale corrigée en fonction de l'âge et du statut tabagique, je veux comprendre pourquoi les estimations des paramètres et les constantes sont différentes pour les trois ?
J'ai joint des captures d'écran des sorties du modèle ci-dessous.
Modélisation statistique avancéeAnalyse et modélisation de données de baseRé: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Salut @philc86 ,
Vous comparez des estimations de paramètres obtenues de différentes manières.
Votre sortie SPSS indique que les estimations ne sont pas « standardisées ». Si vous centrez et standardisez vos variables d'origine, vous obtiendrez les mêmes résultats que dans la plateforme Fit Model.
J'espère que cela vous aidera,
Ré: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Victor_G a fourni une réponse plus complète, mais je souhaite ajouter un point. Les résultats des moindres carrés de JMP et SPSS sont équivalents dans ce que vous avez fourni. La variable de statut tabagique est traitée différemment dans les 2 : dans JMP, le coefficient de la valeur affichée correspond à cette valeur (0) par rapport à la moyenne des deux valeurs. Ainsi, la différence entre fumer et ne pas fumer est deux fois plus grande que ce coefficient : cela correspond exactement à ce que SPSS montre. Il n'y a donc vraiment aucune différence entre ces 2 résultats.
Ré: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Salut,
Oui, je viens de m'en apercevoir. Merci beaucoup !
Ré: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Salut Victor_G,
Merci beaucoup pour cette réponse si complète. Compte tenu de ce que vous avez dit sur le centrage, j'ai raison de penser qu'il est « préférable » d'utiliser l'approche du modèle d'ajustement plutôt que l'approche de régression généralisée ? Mon objectif principal est d'utiliser la ligne de régression pour prédire les valeurs pour des âges et un statut tabagique donnés.
Merci beaucoup,
Phil
Ré: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Quelle que soit la manière dont vous avez analysé les données « disponibles », le fait que le modèle obtenu fournisse une prédiction raisonnable basée sur l'âge et le tabagisme dépend entièrement de la représentativité de votre étude initiale par rapport aux « conditions » futures. Toutes vos statistiques d'analyse (par exemple, la valeur p, les carrés R, le RMSE, etc.) sont énumératives. Elles décrivent les données disponibles, c'est tout.
Ré: Différences dans les estimations de paramètres en utilisant la même analyse de régression multiple.Salut @philc86 ,
Notez que dans la régression généralisée, vous pouvez toujours afficher les estimations de paramètres pour les prédicteurs centrés et mis à l'échelle , de sorte que vous pouvez avoir des estimations de paramètres avec centrage (et mise à l'échelle).
Il n'y a pas de meilleure option, cela n'a aucun impact sur la prédiction, mais cela dépend vraiment de la façon dont vous considérez la variation de votre réponse par rapport à votre âge variable continue et à votre statut tabagique nominal et de la façon dont vous souhaitez utiliser et interpréter les résultats :
- Dans la régression généralisée, l'estimation du « statut tabagique [Non-Oui] » est une estimation de la différence entre la réponse moyenne à ce niveau [Non] et la réponse moyenne au dernier niveau [Oui] (voir Lancer la régression généralisée Personnalité ). Elle indique donc directement l'ampleur et le signe du changement entre ces deux niveaux nominaux.
- Dans Fit Model, l'estimation pour "statut de fumeur[Oui]" est une estimation de la différence entre la réponse moyenne à ce niveau [Oui] et la réponse moyenne globale [Oui+Non]. Vous comparez donc l'influence de ce niveau de facteur à la réponse moyenne pour les deux niveaux, ce qui peut ne pas être utile dans ce cas (vous n'aurez pas d'individu sans statut de fumeur ou les deux). Avec un facteur nominal/ordinal à 2 niveaux, vous pouvez toujours avoir une estimation de la variation entre les deux niveaux en additionnant les estimations des deux niveaux du rapport Fit Model ; par exemple, si vous souhaitez calculer la variation de réponse d'un fumeur à un non-fumeur, ajoutez simplement la valeur d'estimation négative du niveau Oui et la valeur d'estimation du niveau Non. Vous trouverez la même valeur que l'estimation de la plateforme de régression généralisée.
Vous pouvez suivre la discussion sur ce sujet et avec la comparaison entre les plateformes et le codage nominal/ordinal ici :
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
« Quel que soit » le modèle/la plateforme que vous utilisez, vous serez en mesure de prédire correctement les valeurs pour un âge et un statut tabagique donnés si votre modèle est adapté à la tâche avec une précision suffisante et un échantillon représentatif.
J'espère que cela vous aidera à clarifier la situation,
