Estimada comunidad de JMP:
He intentado buscar dentro del historial de discusión y no puedo encontrar temas relacionados con mis consultas.
Permítanme brindarles algunos antecedentes:
1. Hay 5 variables (A, B, C, D, E). He creado estos datos con fines explicativos.
2. Si quisiera comprobar si estas 5 variables están "relacionadas", entonces podemos usar las opciones Multivariadas que proporcionan la
valor de correlación.
3. Los valores de correlación proporcionados se basan en la relación lineal entre las variables.
Ejemplo: B vs D, correlación = 1,00.
Ejemplo: A vs C, correlación = 0,00. Sin embargo, existe una relación entre A y C que es cuadrática.
Mi pregunta es:
¿Existe algún método estadístico que pueda proporcionar una visión rápida de la relación (en lugar de la correlación) entre
¿variables?
Otra opción sería realizar el ajuste del modelo manualmente con todas las combinaciones de variables, pero esto demanda demasiado tiempo.
El ejemplo es el siguiente: la misma matriz de diagrama de dispersión, pero con la opción de proporcionar el valor P de una prueba F (ANOVA) para verificar si existe una relación entre las variables. Digamos hasta el término cuadrático.
Ejemplo: B vs D, correlación = 1,00 y P(valor) de la prueba F es <0,0001
Ejemplo: A vs C, correlación = 0,00 y P(valor) de la prueba F es <0,0001
Gracias por el consejo.
Hno.,
Cristóbal
Hola @ChrisLooi ,
Recomendaría representar gráficamente los datos como lo hizo usted para encontrar patrones inusuales utilizando la plataforma Multivariate. También veo (al menos) dos formas de identificar relaciones/asociaciones complejas entre sus variables:
- En la plataforma Multivariante, también se pueden utilizar diferentes Medidas de Asociación No Paramétricas . Utilizando una reproducción de su ejemplo, la prueba D de Hoeffding es capaz de detectar la relación cuadrática entre A y C:
- También puede crear una respuesta ficticia Y (sin importar si se trata de valores fijos o aleatorios) y, en función de los términos introducidos en el modelo, mostrar los factores de inflación de la varianza en el panel Estimaciones de parámetros (haga clic con el botón derecho en la tabla, haga clic en la columna y seleccione VIF si no se muestran de manera predeterminada). Los valores altos de VIF indican un problema de colinealidad entre los términos del modelo.
En una reproducción de su ejemplo, visualizar el VIF (a través de sus valores logarítmicos, ¡porque son muy altos!) permite identificar posibles problemas de colinealidad:
Los términos AxA, A y C tienen valores de VIF muy altos, lo que indica un problema de colinealidad. Muchos otros términos muestran valores de VIF altos (superiores a 5-10), por lo que se puede identificar fácilmente que existen problemas de colinealidad con este conjunto de datos.
Adjunto el conjunto de datos que utilicé para reproducir su caso de uso. La próxima vez, proporcione su conjunto de datos de ejemplo; ahorrará tiempo y ayudará a que las personas le respondan con mayor facilidad.
Espero que estas dos opciones te sean de utilidad,
