Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Verehrte Gäste,
Ich habe JMP verwendet, um die Auswirkung des Eintrittsalters (AAE) und des Raucherstatus auf eine Messung der mitochondrialen Funktion (kontinuierlich) zu beurteilen. Der Raucherstatus wurde mittels multipler Regression mit 1 oder 0 (ja, nein) kodiert.
Ich habe sie alle in das Anpassungsmodell eingegeben – Y = mitochondrialer Parameter, Modelleffekte konstruieren – AAE und Raucherstatus, und ein Standardmodell mit kleinsten Quadraten ausgeführt. Ich habe festgestellt, dass diese Ausgabe bei identischer Analyse mit denselben Daten in SPSS unterschiedliche Parameterschätzungen ergab.
Ich ging dann zurück zu JMP und führte die Analyse durch, verwendete dabei aber die Option der verallgemeinerten Regression und wählte als Schätzmethode die Methode der kleinsten Quadrate. Die Ausgabe hierfür unterschied sich dann von der ursprünglichen Methode der kleinsten Quadrate (mit einer anderen Konstante und anderen Parameterschätzungen) und dem SPSS-Modell. Das Gesamt-R2, das angepasste R2 usw. waren alle gleich.
Obwohl ich davon ausgehe, dass ich bei Eingabe des Alters und des Raucherstatus in jedes der Modelle dieselbe Schätzung für den mitochondrialen Wert erhalten würde, korrigiert nach Alter und Raucherstatus, möchte ich verstehen, warum die Parameterschätzungen und -konstanten bei allen drei Modellen unterschiedlich sind.
Ich habe unten Screenshots der Modellausgaben angehängt.
Erweiterte statistische ModellierungGrundlegende Datenanalyse und ModellierungBetreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Hallo @philc86 ,
Sie vergleichen Parameterschätzungen, die auf unterschiedliche Weise erhalten wurden.
Ihre SPSS-Ausgabe zeigt, dass die Schätzungen „nicht standardisiert“ sind. Wenn Sie Ihre ursprünglichen Variablen zentrieren und standardisieren, erhalten Sie dieselben Ausgaben wie auf der Plattform „Modell anpassen“.
Ich hoffe, das hilft Ihnen weiter.
Betreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Victor_G hat eine ausführlichere Antwort gegeben, aber ich möchte noch einen Punkt hinzufügen. Die Kleinstquadrate-Ausgaben von JMP und SPSS sind in dem, was Sie angegeben haben, gleichwertig. Die Variable des Raucherstatus wird in 2 unterschiedlich behandelt: In JMP ist der Koeffizient für den angezeigten Wert für diesen Wert (0) im Vergleich zum Durchschnitt der beiden Werte. Der Unterschied zwischen Rauchen und Nichtrauchen ist also doppelt so groß wie dieser Koeffizient: Dies entspricht genau dem, was SPSS anzeigt. Es gibt also wirklich keinen Unterschied zwischen diesen beiden Ausgaben.
Betreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Hallo,
Ja, das ist mir gerade aufgefallen. Vielen Dank!
Betreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Hallo Victor_G,
Vielen Dank für diese umfassende Antwort. Angesichts dessen, was Sie über die Zentrierung gesagt haben, liege ich richtig mit meiner Annahme, dass es „am besten“ ist, den Fit-Modell-Ansatz anstelle des verallgemeinerten Regressionsansatzes zu verwenden? Mein Hauptziel besteht darin, die Regressionslinie zu verwenden, um Werte für bestimmte Altersgruppen und Raucherstatus vorherzusagen.
Vielen Dank,
Phil
Betreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Unabhängig davon, wie Sie die „vorliegenden Daten“ analysiert haben, hängt es vollständig davon ab, wie repräsentativ Ihre ursprüngliche Studie für zukünftige „Bedingungen“ war, ob das Modell, das Sie erhalten, eine vernünftige Vorhersage basierend auf Alter und Rauchverhalten liefert. Alle Ihre Analysestatistiken (z. B. p-Wert, R-Quadrate, RMSE usw.) sind enumerativ. Sie beschreiben die vorliegenden Daten, das ist alles.
Betreff: Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.Hallo @philc86 ,
Beachten Sie, dass Sie in der verallgemeinerten Regression weiterhin Parameterschätzungen für zentrierte und skalierte Prädiktoren anzeigen können, sodass Sie Parameterschätzungen mit Zentrierung (und Skalierung) erhalten.
Es gibt keine beste Option und es hat keinen Einfluss auf die Vorhersage. Es hängt jedoch wirklich davon ab, wie Sie die Variation Ihrer Antwort im Hinblick auf Ihre kontinuierliche Variable „Alter“ und den nominalen Faktor „Raucherstatus“ betrachten und wie Sie die Ergebnisse verwenden und interpretieren möchten:
- Bei der verallgemeinerten Regression ist die Schätzung für „Raucherstatus [Nein-Ja]“ eine Schätzung der Differenz zwischen der mittleren Antwort auf dieser Ebene [Nein] und der mittleren Antwort auf der letzten Ebene [Ja] (siehe Starten der verallgemeinerten Regressionspersönlichkeit ). Sie gibt also direkt das Ausmaß und das Vorzeichen der Änderung zwischen diesen beiden Nominalniveaus an.
- Im Fit-Modell ist die Schätzung für „Raucherstatus [Ja]“ eine Schätzung der Differenz zwischen der mittleren Antwort auf dieser Ebene [Ja] und der gesamten durchschnittlichen Antwort [Ja+Nein]. Sie vergleichen also den Einfluss dieser Faktorebene mit der durchschnittlichen Antwort für beide Ebenen, was in diesem Fall möglicherweise nicht hilfreich ist (Sie haben keine Person mit Nichtraucherstatus oder beidem). Mit einem nominalen/ordinalen Faktor auf 2 Ebenen können Sie dennoch eine Schätzung der Variation zwischen den beiden Ebenen erhalten, indem Sie die Schätzungen beider Ebenen aus dem Fit-Modell-Bericht summieren; wenn Sie beispielsweise die Antwortvariation von einem Raucher zu einem Nichtraucher berechnen möchten, addieren Sie einfach den negativen Schätzwert der Ebene „Ja“ und den Schätzwert der Ebene „Nein“. Sie erhalten denselben Wert wie die Schätzung der Plattform „Verallgemeinerte Regression“.
Die Diskussion zu diesem Thema und mit dem Vergleich zwischen den Plattformen und der nominalen/ordinalen Kodierung können Sie hier verfolgen:
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
„Egal“, welches Modell/welche Plattform Sie verwenden, Sie können die Werte für ein bestimmtes Alter und einen bestimmten Raucherstatus korrekt vorhersagen, wenn Ihr Modell der Aufgabe gerecht wird und über eine ausreichende Präzision und eine repräsentative Stichprobe verfügt.
Ich hoffe, dies wird Ihnen helfen, die Situation zu klären.
