Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Carissimi,
Ho utilizzato JMP per valutare l'effetto dell'età all'ingresso (AAE) e dello stato di fumatore su una misura della funzione mitocondriale (continua). Stato di fumatore codificato 1 o 0 (sì, no), utilizzando la regressione multipla.
Li ho inseriti tutti nel modello di adattamento - Y = parametro mitocondriale, effetti del modello di costruzione - AAE e stato di fumatore, ed eseguito un modello standard dei minimi quadrati. Ho notato che questo output ha prodotto stime di parametri diverse per analisi identiche utilizzando gli stessi dati su SPSS.
Sono poi tornato a JMP e ho eseguito l'analisi, ma ho utilizzato l'opzione di regressione generalizzata e ho selezionato i minimi quadrati standard come metodo di stima. L'output per questo era quindi diverso da quello dell'analisi dei minimi quadrati originale (con una costante diversa e stime di parametri diverse) e del modello SPSS. L'R2 complessivo, l'R2 aggiustato ecc. erano tutti uguali.
Anche se ritengo che se inserissi un'età e uno stato di fumatore in uno qualsiasi dei modelli otterrei la stessa stima per la misura mitocondriale corretta per età e stato di fumatore, vorrei capire perché le stime dei parametri e le costanti sono diverse per tutti e tre?
Di seguito ho allegato gli screenshot degli output del modello.
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseOggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Ciao @philc86 ,
Si confrontano stime di parametri ottenute in modi diversi.
L'output SPSS mostra che le stime sono "non standardizzate". Se centri e standardizzi le variabili originali, otterrai gli stessi output della piattaforma Fit Model.
Spero che questo ti aiuti,
Oggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Victor_G ha fornito una risposta più approfondita, ma vorrei aggiungere un punto. Gli output dei minimi quadrati di JMP e SPSS sono equivalenti in ciò che hai fornito. La variabile dello stato di fumatore è trattata in modo diverso nel 2: in JMP il coefficiente per il valore mostrato è per quel valore (0) rispetto alla media dei due valori. Quindi, la differenza tra fumare e non fumare è il doppio della dimensione di quel coefficiente: questo corrisponde esattamente a ciò che SPSS sta mostrando. Quindi, non c'è davvero alcuna differenza tra quei 2 output.
Oggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.CIAO,
Sì, l'ho appena notato. Grazie mille!
Oggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Ciao Victor_G,
Grazie mille per una risposta così esaustiva. Considerando quanto hai detto sulla centratura, ho ragione nel pensare che sia "meglio" usare l'approccio del modello di adattamento piuttosto che l'approccio della regressione generalizzata? Il mio obiettivo principale è usare la linea di regressione per prevedere i valori per età e stato di fumatore dati.
Grazie molto,
Filone
Oggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Indipendentemente da come hai analizzato i dati "in mano", se il modello che ottieni fornisce una previsione ragionevole basata su età e fumo dipende completamente da quanto rappresentativo fosse il tuo studio iniziale delle "condizioni" future. Tutte le statistiche delle tue analisi (ad esempio, valore p, R-quadrati, RMSE, ecc.) sono enumerative. Descrivono i dati in mano, questo è tutto.
Oggetto: Differenze nelle stime dei parametri utilizzando la stessa analisi di regressione multipla.Ciao @philc86 ,
Si noti che nella regressione generalizzata è ancora possibile visualizzare le stime dei parametri per i predittori centrati e scalati , in modo da avere stime dei parametri con centratura (e scala).
Non esiste un'opzione migliore, non ha alcun impatto sulla previsione, ma dipende davvero da come si considera la variazione della propria risposta rispetto alla variabile continua età e allo stato di fumatore del fattore nominale e da come si desidera utilizzare e interpretare i risultati:
- Nella regressione generalizzata, la stima per "stato di fumatore [No-Sì]" è una stima della differenza tra la risposta media a quel livello [No] e la risposta media all'ultimo livello [Sì] (vedere Avvia la regressione generalizzata Personalità ). Quindi indica direttamente l'entità e il segno del cambiamento tra questi due livelli nominali.
- In Fit Model, la stima per "stato di fumatore[Sì]" è una stima della differenza tra la risposta media a quel livello [Sì] e la risposta media complessiva [Sì+No]. Quindi confronti l'influenza di questo livello di fattore con la risposta media per entrambi i livelli, il che potrebbe non essere utile in questo caso (non avrai un individuo con stato di non fumatore o entrambi). Con il fattore nominale/ordinale a 2 livelli, puoi comunque avere una stima della variazione tra i due livelli sommando le stime di entrambi i livelli dal Fit Model Report; ad esempio, se vuoi calcolare la variazione della risposta da un fumatore a un non fumatore, aggiungi semplicemente il valore di stima negativo del livello Sì e il valore di stima del livello No. Troverai lo stesso valore della stima dalla piattaforma di regressione generalizzata.
Potete seguire la discussione su questo argomento e con il confronto tra le piattaforme e la codifica nominale/ordinale qui:
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
"Indipendentemente" dal modello/piattaforma utilizzato, sarai in grado di prevedere correttamente i valori per una determinata età e stato di fumatore se il tuo modello è adeguato allo scopo con una precisione sufficiente e un campione rappresentativo.
Spero che questo ti aiuti a chiarire la situazione,
