同じ多重回帰分析を使用したパラメータ推定値の違い。親愛なるみんな、
私は JMP を使用して、参加時の年齢 (AAE) と喫煙状況がミトコンドリア機能 (連続) の指標に与える影響を評価しました。喫煙状況は、多重回帰を使用して 1 または 0 (はい、いいえ) でコード化されました。
これらをすべて適合モデル（Y = ミトコンドリアパラメータ）、モデル効果の構築（AAE および喫煙状況）に入力し、標準最小二乗モデルを実行しました。この出力では、SPSS で同じデータを使用した同一の分析に対して異なるパラメータ推定値が生成されたことに気付きました。
その後、JMP に戻って分析を実行しましたが、一般化回帰オプションを使用し、推定方法として標準最小二乗法を選択しました。その結果は、元の最小二乗分析 (異なる定数と異なるパラメーター推定値を使用) および SPSS モデルの結果とは異なりました。全体の R2、調整済み R2 などはすべて同じでした。
いずれかのモデルに年齢と喫煙状況を入力すれば、年齢と喫煙状況に応じて補正されたミトコンドリア測定値の同じ推定値が得られると信じていますが、パラメータ推定値と定数が 3 つすべてで異なる理由を理解したいと思います。
以下にモデル出力のスクリーンショットを添付しました。
高度な統計モデリング基本的なデータ分析とモデリングRe: 同じ多重回帰分析を使用したパラメータ推定値の違い。こんにちは@philc86 、
さまざまな方法で得られたパラメータ推定値を比較しています。
SPSS 出力では、推定値が「標準化されていない」ことが示されています。元の変数を中央揃えして標準化すると、Fit Model プラットフォームと同じ出力が得られます。
これがお役に立てば幸いです。
Re: 同じ多重回帰分析を使用したパラメータ推定値の違い。Victor_G さんはより詳しい回答をしていますが、1 点付け加えておきたいことがあります。JMP と SPSS の最小二乗出力は、あなたが提供したものと同等です。喫煙状況変数は 2 つで異なる方法で処理されます。JMP では、表示された値の係数は、その値 (0) と 2 つの値の平均を比較したものです。したがって、喫煙と非喫煙の違いは、その係数の 2 倍の大きさです。これは、SPSS が示しているものとまったく一致します。したがって、これら 2 つの出力に違いはありません。
Re: 同じ多重回帰分析を使用したパラメータ推定値の違い。こんにちは、
はい、今気づきました。ありがとうございます！
Re: 同じ多重回帰分析を使用したパラメータ推定値の違い。こんにちは、Victor_Gさん。
このような包括的な回答をいただき、誠にありがとうございます。中心化についておっしゃったことを考慮すると、一般化回帰アプローチではなく適合モデル アプローチを使用するのが「最善」であると考えるのは正しいでしょうか。私の主な目標は、回帰線を使用して、特定の年齢と喫煙状況の値を予測することです。
どうもありがとう、
フィル
Re: 同じ多重回帰分析を使用したパラメータ推定値の違い。「手持ち」のデータをどのように分析したかに関係なく、年齢と喫煙に基づいてモデルが妥当な予測を提供するかどうかは、最初の調査が将来の「状態」をどの程度代表していたかによって完全に決まります。分析統計 (例: p 値、R 平方、RMSE など) はすべて列挙型です。それらは手持ちのデータを説明するものであり、それだけです。
Re: 同じ多重回帰分析を使用したパラメータ推定値の違い。こんにちは@philc86 、
一般化回帰では、 中心化予測子とスケーリング予測子のパラメータ推定値を表示できるため、中心化 (およびスケーリング) によるパラメータ推定値を取得できることに注意してください。
最善の選択肢はありません。予測には影響しませんが、連続変数の年齢と名目因子の喫煙状況に関する応答の変化をどのように考慮するか、また結果をどのように使用して解釈するかによって大きく異なります。
- 一般化回帰では、 「喫煙状況[いいえ-はい]」の推定値は、そのレベル[いいえ]での平均応答と最後のレベル[はい]での平均応答の差の推定値です（ 一般化回帰パーソナリティの起動を参照）。したがって、この推定値は、これら 2 つの名目レベル間の変化の大きさと符号を直接示します。
- モデルの適合では、「喫煙状況[はい]」の推定値は、そのレベルの平均応答[はい]と全体の平均応答[はい+いいえ]の差の推定値です。したがって、この因子レベルの影響を両方のレベルの平均応答と比較しますが、この場合は役に立たない可能性があります（喫煙状況がない、または両方の状況にある個人はいません）。 名義/順序因子が 2 つのレベルにある場合でも、モデルの適合レポートから両方のレベルの推定値を合計することで、2 つのレベル間の変動の推定値を得ることができます。たとえば、喫煙者から非喫煙者への応答変動を計算する場合は、レベルはいの負の推定値とレベルいいえの推定値を加算するだけです。一般化回帰プラットフォームからの推定値と同じ値が見つかります。
このトピックに関する議論と、プラットフォームと名目/順序コーディングの比較については、こちらをご覧ください。
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
どのモデル/プラットフォームを使用する場合でも、十分な精度と代表的なサンプルを備えたモデルがタスクに適している場合は、特定の年齢と喫煙状況の値を正しく予測できます。
これが状況を明確にするのに役立つことを願っています。
