14 votos

La comparación de la importancia de los distintos grupos de predictores

Me estaba aconsejando a un estudiante de investigación con un problema en particular, y yo estaba ansioso por obtener la entrada de terceros en este sitio.

Contexto:

El investigador había tres tipos de variables predictoras. Cada tipo contiene un número diferente de variables predictoras. Cada predictor fue una variable continua:

  • Social: S1, S2, S3, S4 (es decir, cuatro predictores)
  • Cognitivo: C1, C2 (es decir, dos predictores)
  • Comportamiento: B1, B2, B3 (es decir, tres predictores)

La variable de resultado fue también continua. La muestra incluye alrededor de 60 participantes.

El investigador quería hacer un comentario acerca de que tipo de predictores fueron más importantes en la explicación de la variable de resultado. Esto fue relacionado con la más amplia de las preocupaciones teóricas acerca de la importancia relativa de estos tipos de predictores.

Preguntas

  • Lo que es una buena manera de evaluar la importancia relativa de un conjunto de predictores en relación a otro conjunto?
  • ¿Qué es una buena estrategia para lidiar con el hecho de que hay diferentes números de predictores en cada conjunto?
  • ¿Qué precauciones en la interpretación podría usted sugerir?

Cualquier referencia a ejemplos o discusión de las técnicas, también habría de ser la mayoría de la recepción.

13voto

dan90266 Puntos 609

Supongamos que el primer conjunto de predictores requiere de un grado de libertad (a $\geq$ 4 permitiendo no lineal de términos), el segundo conjunto requiere de b, y el tercero requiere c (c $\geq$ 3) permitiendo términos no lineales. Calcular el cociente de probabilidad $\chi^2$ prueba para la combinación parcial de los efectos de cada conjunto, produciendo $L_{1}, L_{2}, L_{3}$. El valor esperado de una $\chi^2$ variable aleatoria con d grados de libertad es la d, para restar d a nivelar el campo de juego. I. e., calcular $L_{1}-a, L_{2}-b, L_{3}-c$. Si el uso de pruebas de F, múltiples F por su numerador d.f. para obtener el $\chi^2$ de la escala.

12voto

Eric Davis Puntos 1542

Sugerencias

  • Usted puede realizar individual regresiones múltiples para cada tipo de indicador, y comparar a través de regresiones múltiples, ajustado r-cuadrado, la generalización del r-cuadrado, o algún otro parsimonia ajustar la medida de la varianza explicada.
  • También explorar la literatura en general sobre la importancia variable (véase aquí para una discusión con enlaces). Esto alentaría a un enfoque en la importancia de los predictores.
  • En algunas situaciones de regresión jerárquica puede proporcionar un marco útil. Quieres entrar en un tipo de variable en un bloque (por ejemplo, variables cognitivas), y en el segundo bloque de otro tipo (por ejemplo, variables sociales). Esto podría ayudar a responder a la pregunta de si un tipo de variable predice a lo largo y por encima de otro tipo.
  • Como un examen, puede ejecutar un análisis factorial sobre las variables predictoras de examinar si las correlaciones entre las variables predictoras del mapa en la asignación de las variables de los tipos.

Advertencias

  • Tipos de variables, tales como las cognitivas, sociales y conductuales son amplias clases de variables. Un estudio dado siempre son sólo un subconjunto de las posibles variables, y generalmente un subconjunto es pequeña en relación a las variables posibles. Además, la medición de variables pueden no ser los más fiables o medio válido para medir el constructo. Por lo tanto, usted necesita tener cuidado al extraer la más amplia inferencia acerca de la importancia relativa de un determinado tipo de variable y más allá de lo que realmente se mide.
  • También es necesario considerar cualquier sesgo en la forma en que la variable dependiente se mide. Particularmente en estudios psicológicos, hay una tendencia a la auto-informe de las medidas que se correlacionan bien con el auto-informe, la capacidad con la capacidad, otros-informe de informe de otros, y así sucesivamente. El problema es que el modo de medición tiene un gran efecto sobre y más allá del constructo de interés. Por lo tanto, si la variable dependiente se mide de una manera particular (por ejemplo, el auto-informe), entonces no sobre-interpretar los mayores correlaciones con un tipo de predictor si ese tipo también utiliza la auto-informe.

10voto

James Sutherland Puntos 2033

Importancia

La primera cosa a hacer es poner en práctica la importancia de los factores predictivos'. Voy a asumir que significa algo así como 'la sensibilidad de la media del resultado de los cambios en los valores predictores'. Desde su predictores se agrupan, a continuación, la sensibilidad de la media de los resultados de los grupos de predictores es más interesante que una variable por variable de análisis. Dejo abierta si la sensibilidad se entiende causalmente. Que tema es retomado más adelante.

Tres versiones de importancia

Un montón de varianza explicada: supongo que los psicólogos' primer puerto de escala es, probablemente, una descomposición de la varianza que conduce a una medida de cuánto resultado de la varianza es explicada por la varianza de covarance estructura en cada grupo de predictores. No se trata de un experimentales I no se puede sugerir mucho aquí, excepto para señalar que el conjunto 'varianza explicada' concepto es un poco aisladas para mi gusto, incluso sin el cual la suma de los cuadrados que' problema. Los demás son bienvenidos a no estar de acuerdo y seguir desarrollándola.

Gran estandarizados coeficientes: SPSS ofrece el (mal llamado) beta para medir el impacto de una manera que sea comparable a través de la variable. Hay varias razones para no usar este, que se analizó en Fox la regresión en el libro de texto, aquíy en otros lugares. Todos los que se aplican aquí. También se ignora la estructura del grupo.

Por otro lado, me imagino que uno podría estandarizar los predictores en grupos y el uso de la covarianza de la información para juzgar el efecto de una desviación estándar de movimiento en todos ellos. Personalmente el lema: "si una de las cosas que no vale la pena hacer, no vale la pena hacer bien" humedece mi interés en hacerlo.

Grandes efectos marginales: El otro enfoque es permanecer en la escala de las mediciones y calcular los efectos marginales entre los elegidos cuidadosamente los puntos de muestreo. Debido a que usted está interesado en los grupos es útil para elegir los puntos de variar los grupos de variables en lugar de una sola, por ejemplo, la manipulación tanto de las variables cognitivas a la vez. (Un montón de oportunidades para enfriar las parcelas de aquí). Papel básico aquí. El effects paquete en R se hacerlo muy bien.

Hay dos advertencias aquí:

  1. Si usted hace que usted se quiere ver que usted no está eligiendo dos variables cognitivas que aunque en lo individual plausible, por ejemplo, en los camellones, de forma conjunta, lejos de cualquier objeto de observación.

  2. Algunas variables no son ni siquiera teóricamente manipulables, por lo que la interpretación de los efectos marginales como causal es el más delicado, aunque sigue siendo útil.

Diferentes números de predictores

Los problemas surgen debido a la agrupadas las variables de estructura de covarianza, que normalmente nos trate de no preocuparse, pero para esta tarea.

En particular, a la hora de calcular los efectos marginales (o estandarizados coeficientes para el caso) en los grupos, en lugar de una sola de las variables de la maldición de la dimensionalidad de la voluntad de los grupos más grandes hacen que sea más fácil para las comparaciones a alejarse en regiones donde no hay casos. Más predictores en un grupo de conducir a una más escasamente pobladas espacio, por lo que cualquier medida de importancia dependerá más de los supuestos del modelo y menos en las observaciones (pero no te digo que...), Pero estos son los mismos problemas que en el modelo de ajuste de fase realmente. Ciertamente, los mismos que podrían surgir en un modelo basado en la causal de evaluación de impacto.

2voto

Åsmund Puntos 53

Un método consiste en combinar los conjuntos de variables en gavilla variables. Este método ha sido ampliamente utilizado en la sociología y áreas relacionadas.

Refs:

Whitt, Hugh P. 1986. "La Gavilla Coeficiente: Una Simplificado y Enfoque más amplio." La Investigación En Ciencias Sociales 15:174-189.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X