Chère communauté JMP,
J'ai essayé de vérifier l'historique des discussions et je ne parviens pas à trouver des sujets liés à mes questions.
Permettez-moi de vous donner le contexte :
1. Il y a 5 variables (A, B, C, D, E). J'ai créé ces données à des fins d'explication.
2. Si je voulais vérifier si ces 5 variables sont « liées », nous pouvons utiliser les options multivariées qui fournissent les
valeur de corrélation.
3. La valeur de corrélation fournie est basée sur une relation linéaire entre les variables.
Exemple : B vs D, corrélation = 1,00.
Exemple : A contre C, corrélation = 0,00. Il existe cependant une relation quadratique entre A et C.
Ma question est :
Existe-t-il une méthode statistique qui peut fournir un aperçu rapide de la relation (plutôt que de la corrélation) entre
variables?
Alternativement, je pourrais effectuer le modèle d'ajustement manuellement avec toutes les combinaisons de variables. Mais cela prend trop de temps.
L'exemple consiste à avoir la même matrice de nuages de points ci-dessous, mais avec la possibilité de fournir la valeur P à partir d'un test F (ANOVA) pour vérifier s'il existe une relation entre les variables. Disons jusqu'au terme quadratique.
Exemple : B vs D, corrélation = 1,00 et p(valeur) du test F est < 0,0001
Exemple : A contre C, corrélation = 0,00 et P(valeur) du test F est < 0,0001
Merci de me conseiller.
Fr,
Chris
Salut @ChrisLooi ,
Je recommanderais de tracer les données comme vous l'avez fait afin de trouver des modèles inhabituels en utilisant la plateforme Multivariate. Je vois également (au moins) deux façons d'identifier des relations/associations complexes entre vos variables :
- Dans la plateforme multivariée, vous pouvez également utiliser différentes mesures non paramétriques d'association . En utilisant une reproduction de votre exemple, le test D de Hoeffding est capable de repérer la relation quadratique entre A et C :
- Vous pouvez également créer une réponse fictive Y (peu importe qu'il s'agisse de valeurs fixes ou de valeurs aléatoires) et, en fonction des termes introduits dans le modèle, afficher les facteurs d'inflation de la variance dans le panneau Estimations des paramètres (cliquez avec le bouton droit de la souris sur le tableau, cliquez sur la colonne et sélectionnez VIF s'ils ne sont pas affichés par défaut). Des VIF élevés indiquent un problème de colinéarité entre les termes du modèle.
Dans une reproduction de votre exemple, la visualisation des VIF (à travers leurs valeurs log, car elles sont très élevées !) permet d'identifier d'éventuels problèmes de colinéarité :
Les termes AxA, A et C présentent des valeurs VIF très élevées, ce qui indique un problème de colinéarité. De nombreux autres termes affichent des valeurs VIF élevées (supérieures à 5-10), ce qui vous permet d'identifier facilement les problèmes de colinéarité avec cet ensemble de données.
J'ai joint l'ensemble de données utilisé pour reproduire votre cas d'utilisation. Veuillez fournir la prochaine fois votre exemple d'ensemble de données, cela permettra de gagner du temps et aidera les gens à vous répondre plus facilement.
J'espère que ces deux options pourront vous être utiles,
