Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Estimados,
He utilizado JMP para evaluar el efecto de la edad de ingreso (AAE) y el tabaquismo en una medida de la función mitocondrial (continua). El tabaquismo se codificó con 1 o 0 (sí, no) mediante regresión múltiple.
Los ingresé todos en el modelo de ajuste (Y = parámetro mitocondrial), construí los efectos del modelo (AAE y estado de tabaquismo) y ejecuté un modelo de mínimos cuadrados estándar. Observé que este resultado produjo estimaciones de parámetros diferentes para un análisis idéntico utilizando los mismos datos en SPSS.
Luego volví a JMP y realicé el análisis, pero utilicé la opción de regresión generalizada y seleccioné los mínimos cuadrados estándar como método de estimación. El resultado de esto fue entonces diferente al del análisis de mínimos cuadrados original (con una constante diferente y estimaciones de parámetros diferentes) y el modelo SPSS. El R2 general, el R2 ajustado, etc., fueron todos iguales.
Si bien creo que si ingreso una edad y un estado de tabaquismo en cualquiera de los modelos, obtendría la misma estimación para la medida mitocondrial corregida por edad y estado de tabaquismo, quiero entender por qué las estimaciones y constantes de los parámetros son diferentes para los tres.
He adjuntado capturas de pantalla de los resultados del modelo a continuación.
Modelado estadístico avanzadoAnálisis y modelado de datos básicosRe: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Hola @philc86 ,
Estás comparando estimaciones de parámetros obtenidas de diferentes maneras.
El resultado de SPSS muestra que las estimaciones no están estandarizadas. Si centra y estandariza las variables originales, obtendrá los mismos resultados que en la plataforma Fit Model.
Espero que esto te ayude.
Re: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Victor_G ha proporcionado una respuesta más completa, pero quiero añadir un punto. Los resultados de mínimos cuadrados de JMP y SPSS son equivalentes en lo que has proporcionado. La variable de estado de tabaquismo se trata de forma diferente en los 2: en JMP, el coeficiente para el valor mostrado es para ese valor (0) en comparación con el promedio de los dos valores. Por lo tanto, la diferencia entre fumar y no fumar es el doble del tamaño de ese coeficiente: esto coincide exactamente con lo que muestra SPSS. Por lo tanto, realmente no hay ninguna diferencia entre esos 2 resultados.
Re: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Hola,
Sí, acabo de darme cuenta de esto. ¡Muchas gracias!
Re: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Hola Victor_G,
Muchas gracias por una respuesta tan completa. Teniendo en cuenta lo que ha dicho sobre el centrado, tengo razón al pensar que es "mejor" utilizar el enfoque del modelo de ajuste en lugar del enfoque de regresión generalizada. Mi objetivo principal es utilizar la línea de regresión para predecir valores para determinadas edades y el estado de tabaquismo.
Muchas gracias,
Phil
Re: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Independientemente de cómo haya analizado los datos "en mano", el hecho de que el modelo que obtenga proporcione una predicción razonable basada en la edad y el tabaquismo depende completamente de cuán representativo fue su estudio inicial de las "condiciones" futuras. Todas las estadísticas de su análisis (por ejemplo, valor p, R cuadrados, RMSE, etc.) son enumerativas. Describen los datos en mano, eso es todo.
Re: Diferencias en las estimaciones de parámetros utilizando el mismo análisis de regresión múltiple.Hola @philc86 ,
Tenga en cuenta que en la regresión generalizada, aún puede mostrar estimaciones de parámetros para predictores centrados y escalados , por lo que puede tener estimaciones de parámetros con centrado (y escala).
No existe una mejor opción, no tiene impacto en la predicción, pero realmente depende de cómo considere la variación de su respuesta con respecto a su variable continua edad y el factor nominal estado de tabaquismo y cómo desea utilizar e interpretar los resultados:
- En la regresión generalizada, la estimación de "estado de fumador [No-Sí]" es una estimación de la diferencia entre la respuesta media en ese nivel [No] y la respuesta media en el último nivel [Sí] (consulte Iniciar la regresión generalizada de personalidad ). Por lo tanto, indica directamente la magnitud y el signo del cambio entre estos dos niveles nominales.
- En Fit Model, la estimación para "estado de fumador [Sí]" es una estimación de la diferencia entre la respuesta media en ese nivel [Sí] y la respuesta promedio general [Sí+No]. Por lo tanto, compara la influencia de este nivel de factor con la respuesta promedio para ambos niveles, lo que podría no ser útil en este caso (no tendrá un individuo sin estado de fumador o ambos). Con un factor nominal/ordinal en 2 niveles, aún puede tener una estimación de la variación entre los dos niveles sumando las estimaciones de ambos niveles del Informe de Fit Model; por ejemplo, si desea calcular la variación de la respuesta de un fumador a un no fumador, simplemente agregue el valor de estimación negativo del nivel Sí y el valor de estimación del nivel No. Encontrará el mismo valor que la estimación de la plataforma de Regresión generalizada.
Puedes seguir la discusión sobre este tema y la comparación entre las plataformas y la codificación nominal/ordinal aquí:
https://community.jmp.com/t5/Discussions/Random-effect-test/mp/659523/highlight/true#M84878
"No importa" qué modelo/plataforma utilices, podrás predecir correctamente los valores para una edad determinada y el estado de tabaquismo si tu modelo es adecuado para la tarea con una precisión suficiente y una muestra representativa.
Espero que esto te ayude a aclarar la situación.
