Frage zu Faktorkodierungskonventionen in der Fit Model PlatformHallo Community,
Ich führe „Fit Model“ aus, um die Beiträge sowohl nominaler als auch kontinuierlicher Faktoren in einem System zu analysieren. Ich erhalte unterschiedliche Parameterschätzungen (und Signifikanz) zwischen JMP und Python. Ich verstehe, dass dies möglicherweise damit zusammenhängt, wie die nominalen Faktoren kodiert sind (Effektkodierung (Standard in JMP) vs. Dummy-Kodierung (Standard in Python). Ich habe versucht, einen Weg zu finden, um auszuwählen, wie ich zwischen den beiden Konventionen wechseln kann, aber mir ist nichts eingefallen. In einigen Online-Anleitungen wird die Option entweder in den Spalteninformationen oder im Feld „Modelleffekte“ erwähnt, wenn ich die „Fit Model“-Plattform starte: Ich kann sie nirgends finden. Die Ergebnisse von Python und JMP sind ähnlich , aber unterschiedlich. Ich versuche zu verstehen, warum und wie ich 1) die beste Konvention auswählen und übernehmen und 2) sie in JMP ausführen kann. Der Datensatz hier ist ein reduziertes Beispiel dessen, was ich zu analysieren versuche … ich versuche, die Auswirkungen verschiedener Parameter auf die Effizienz zu verstehen, mit Schwerpunkt auf dem Verständnis der Auswirkungen von Füllvolumen (zwei Ebenen) und Konzentration (Bereich).
Ich verwende JMP19.
Dank im Voraus !
Chris
Grundlegende Datenanalyse und -modellierungDatenexploration und -visualisierungBetreff: Frage zu Faktorkodierungskonventionen in der Fit Model PlatformHallo @ClusterFerret68 ,
Ich denke, Sie finden in den folgenden Diskussionen einige Erklärungen zur Kodierung nominaler Faktoren:
Unterschiede in den Parameterschätzungen bei Verwendung derselben multiplen Regressionsanalyse.
Wie DOE-Analysen mit kategorialen Faktoren in der Regressionsanalyse umgehen
Interpretation von Dummy-Variablen in der schrittweisen Regression mit {0-1} neben dem Variablennamen
Wie passen Sie in JMP die Parametrisierung kategorialer Variablen in einem Regressionsmodell an?
Ich hoffe, Sie finden die Antworten in diesen Diskussionen.
Betreff: Frage zu Faktorkodierungskonventionen in der Fit Model PlatformSie haben weder ein Skript noch eine Beschreibung des Modells beigefügt, das Sie anpassen möchten.
Wenn Python eine „Dummy“-Variablencodierung verwendet, ist es wahrscheinlich, dass die Schätzungen der „Indikatorparametrisierung“ im Bericht „Fit Lease Squares“ das sind, was Sie zum Vergleichen suchen. Siehe https://www.jmp.com/support/help/en/19.0/index.shtml#page/jmp/indicator-parameterization-estimates.shtml%23
Betreff: Frage zu Faktorkodierungskonventionen in der Fit Model PlatformLesen Sie zunächst unbedingt den Abschnitt „Statistische Details“ der Online-Dokumentation, um eine Erklärung zur Parametrisierung nominaler und kontinuierlicher Prädiktoren zu erhalten.
Es gibt verschiedene Parametrisierungen. Sie sind alle legitim. Sie repräsentieren unterschiedliche Denkweisen über Effekte und das Testen von Parameterschätzungen. JMP verwendet Effektkodierung. Die Parameter stellen die Differenz zwischen dem Mittelwert der kleinsten Quadrate für ein bestimmtes Niveau und dem Gesamtmittelwert dar. Eine Schätzung von -3,5 bedeutet also, dass die Antwort bei diesem Niveau 3,5 Einheiten niedriger ist als die mittlere Antwort.
