Liebe JMP-Community,
Ich habe versucht, den Diskussionsverlauf zu überprüfen, kann jedoch keine Themen finden, die mit meinen Anfragen in Zusammenhang stehen.
Lassen Sie mich den Hintergrund erläutern:
1. Es gibt 5 Variablen (A, B, C, D, E). Ich habe diese Daten zu Erklärungszwecken erstellt.
2. Wenn ich überprüfen möchte, ob diese 5 Variablen "verwandt" sind, dann können wir Multivariate Optionen verwenden, die die
Korrelationswert.
3. Die angegebenen Korrelationswerte basieren auf einer linearen Beziehung zwischen den Variablen.
Beispiel: B vs. D, Korrelation = 1,00.
Beispiel: A vs. C, Korrelation = 0,00. Es besteht jedoch eine quadratische Beziehung zwischen A und C.
Meine Frage ist:
Gibt es eine statistische Methode, die einen schnellen Einblick in die Beziehung (anstatt Korrelation) zwischen
Variablen?
Alternativ könnte ich das Fit-Modell manuell mit allen Kombinationen der Variablen durchführen. Aber das ist zu zeitaufwändig.
Beispiel: Sie haben dieselbe Streudiagrammmatrix wie unten, aber mit der Option, den P(Wert) aus einem F-Test (ANOVA) bereitzustellen, um zu prüfen, ob eine Beziehung zwischen den Variablen besteht. Sagen wir bis zum quadratischen Term.
Beispiel: B vs. D, Korrelation = 1,00 und P(Wert) aus F(Test) ist <0,0001
Beispiel: A vs. C, Korrelation = 0,00 und P(Wert) aus F(Test) ist <0,0001
Danke für den Rat.
Br,
Chris
Hallo @ChrisLooi ,
Ich würde empfehlen, die Daten wie Sie aufzuzeichnen, um mithilfe der Plattform Multivariate ungewöhnliche Muster zu finden. Ich sehe auch (mindestens) zwei Möglichkeiten, komplexe Beziehungen/Assoziationen zwischen Ihren Variablen zu identifizieren:
- Auf der multivariaten Plattform können Sie auch verschiedene nichtparametrische Assoziationsmaße verwenden. Bei einer Reproduktion Ihres Beispiels kann der Hoeffding-D-Test die quadratische Beziehung zwischen A und C erkennen:
- Sie können auch eine Dummy-Antwort Y erstellen (unabhängig davon, ob es sich um feste oder zufällige Werte handelt) und basierend auf den im Modell eingeführten Begriffen das Bedienfeld „Varianzinflationsfaktoren in Parameterschätzungen“ anzeigen (klicken Sie mit der rechten Maustaste auf die Tabelle, klicken Sie auf die Spalte und wählen Sie VIF aus, wenn diese nicht standardmäßig angezeigt werden). Hohe VIFs weisen auf ein Kollinearitätsproblem zwischen den Begriffen im Modell hin.
Bei einer Reproduktion Ihres Beispiels ermöglicht die Visualisierung des VIF (über ihre Log-Werte, da diese sehr hoch sind!) die Identifizierung möglicher Kollinearitätsprobleme:
Die Begriffe AxA, A und C haben sehr hohe VIF-Werte, was auf ein Kollinearitätsproblem hinweist. Viele andere Begriffe weisen VIF mit großen Werten (höher als 5-10) auf, sodass Sie leicht erkennen können, dass bei diesem Datensatz Kollinearitätsprobleme vorliegen.
Ich habe den Datensatz angehängt, der zur Reproduktion Ihres Anwendungsfalls verwendet wurde. Bitte stellen Sie das nächste Mal Ihren Beispieldatensatz zur Verfügung. Das spart Zeit und hilft den Leuten, Ihnen leichter zu antworten.
Ich hoffe, diese beiden Optionen können für Sie hilfreich sein,
