Cara comunità JMP,
Ho provato a controllare la cronologia delle discussioni, ma non sono riuscito a trovare argomenti correlati alle mie richieste.
Vorrei fornire qualche informazione di base:
1. Ci sono 5 variabili (A, B, C, D, E). Ho creato questi dati a scopo esplicativo.
2. Se volessi verificare se queste 5 variabili sono "correlate", allora possiamo usare le opzioni multivariate che forniscono
valore di correlazione.
3. I valori di correlazione forniti si basano sulla relazione lineare tra le variabili.
Esempio: B vs D, Correlazione = 1,00.
Esempio: A vs C, correlazione = 0,00. Tuttavia esiste una relazione tra A e C che è quadratica.
La mia domanda è:
Esiste un metodo statistico che può fornire una rapida occhiata alla relazione (piuttosto che alla correlazione) tra
variabili?
In alternativa, potrei eseguire manualmente il Fit Model con tutte le combinazioni delle variabili. Ma questo richiede troppo tempo.
Un esempio è avere la stessa matrice di scatterplot qui sotto, ma con l'opzione di fornire il valore P da un test F (ANOVA) per verificare se c'è una relazione tra le variabili. Diciamo fino al termine quadratico.
Esempio: B vs D, correlazione = 1,00 e P(valore) da F(test) è <0,0001
Esempio: A vs C, correlazione = 0,00 e P(valore) da F(test) è <0,0001
Grazie per il consiglio.
Fratello,
Cristo
Ciao @ChrisLooi ,
Ti consiglierei di tracciare i dati come hai fatto tu per trovare modelli insoliti usando la piattaforma Multivariate. Vedo anche (almeno) due modi per identificare relazioni/associazioni complesse tra le tue variabili:
- Nella piattaforma Multivariate, puoi anche usare diverse Misure di associazione non parametriche . Utilizzando una riproduzione del tuo esempio, il test D di Hoeffding è in grado di individuare la relazione quadratica tra A e C:
- È anche possibile creare una risposta fittizia Y (non importa se si tratta di valori fissi o casuali) e, in base ai termini introdotti nel modello, visualizzare il pannello Variance Inflation Factors in Parameter Estimates (fare clic con il pulsante destro del mouse sulla tabella, fare clic sulla colonna e selezionare VIF se non vengono visualizzati per impostazione predefinita). VIF elevati indicano un problema di collinearità tra i termini nel modello.
In una riproduzione del tuo esempio, la visualizzazione del VIF (attraverso i loro valori logaritmici, perché sono molto alti!) consente di identificare possibili problemi di collinearità:
I termini AxA, A e C hanno valori VIF molto alti, che indicano un problema di collinearità. Molti altri termini mostrano VIF con valori elevati (superiori a 5-10), quindi puoi facilmente identificare che ci sono problemi di collinearità con questo set di dati.
Ho allegato il set di dati utilizzato per riprodurre il tuo caso d'uso. La prossima volta fornisci il tuo set di dati di esempio, risparmierai tempo e aiuterai le persone a risponderti più facilmente.
Spero che queste due opzioni possano esserti utili,
