Takılan çoklu regresyon modelini nasıl görselleştirebilirim?

42

Şu anda birkaç çoklu regresyon analizi içeren bir makale yazıyorum. Tek değişkenli doğrusal regresyonun görselleştirilmesi, dağılım grafikleri ile kolaydır, çoklu doğrusal regresyonları görselleştirmek için iyi bir yol olup olmadığını merak ediyordum.

Şu anda sadece bağımlı değişkene karşı 1. bağımsız değişken, daha sonra 2. bağımsız değişken vb. Gibi dağılım grafikleri çiziyorum. Herhangi bir öneriyi gerçekten takdir ediyorum.

regression data-visualization multiple-regression

— Shawn Wang
kaynak

6

Bir olasılık: Değişken grafikler eklendi

— Glen_b

1

: Yanı mümkün ilgi Ar kalan arsa ile Öngörülen .

— chl

1

effectsPaketlere bakınR

— Peter Flom - Reinstate Monica

3

Sanırım ilk önce bu açıklamayı sormalıydım: çoklu öngörücüler (x'ler, IV'ler) ile doğrusal regresyon mu demek istiyorsunuz - bu çoklu regresyon mu, yoksa çoklu cevabı olan lineer regresyon mu demek istiyorsunuz (y, DV'ler) - yani, çok değişkenli regresyon ?

— Glen_b

24

Mevcut stratejinizde yanlış bir şey yok. Yalnızca iki açıklayıcı değişkeni olan çoklu bir regresyon modeliniz varsa, öngörülen regresyon düzlemini görüntüleyen bir 3D-is grafiği çizmeyi deneyebilirsiniz, ancak çoğu yazılım bunu kolaylaştırmaz. Bir başka olasılık da üç veya dört değişkeni temsil edebilecek bir koplot kullanmaktır (ayrıca: R veya bu pdf'deki coplot ), fakat çoğu kişi bunları nasıl okuyacağını bilmiyor. Temel olarak, eğer herhangi bir etkileşime sahip değilseniz, o zaman ve arasındaki öngörülen marjinal ilişki , öngörülen koşullu ile aynı olacaktır. $x_j$ $y$ ilişkiyi (artı veya eksi bir dikey kayma) diğer değişkenlerinizin herhangi bir özel seviyesinde . Böylece, sadece diğer tüm ayarlayabilirsiniz onların vasıtası ile değişkenleri ve bulmak tahmin hat ve arsa satır çiftlerinin bir dağılım üzerinde . Üstelik ile sona erecek onlar önemli değil düşünüyorsanız bunlardan bazıları şunlardır olmayabilir rağmen, bu tür araziler. (Örneğin, tek bir ilgi değişkenine ve bazı kontrol değişkenlerine sahip olan çoklu bir regresyon modeline sahip olmak ve sadece ilk böyle bir grafiği sunmak yaygındır). $x$ $x$ $\hat y = \hat\beta_0 + \cdots + \hat\beta_j x_j + \cdots + \hat\beta_p \bar x_p$ $(x_j, y)$ $p$

Eğer Öte yandan, yapmak etkileşimleri var, o zaman en ilgilenen ve bu değişkene ve tepki değişkeni arasındaki tahmin edilen ilişkiyi çizmek edilir etkileşim değişkenlerinin, fakat aynı arsa üzerinde birkaç satır ile hangi anlamaya gerekir. Diğer etkileşimli değişken, bu satırların her biri için farklı seviyelere ayarlanır. Tipik değerler , etkileşime giren değişkenin ortalaması ve 1 SD'dir. Bunu daha açık hale getirmek için, yalnızca iki değişkenin ( ve ve aralarında bir etkileşim olduğunu ve çalışmanızın odak noktası olduğunu hayal edin , o zaman bu üç satırla tek bir arsa yapabilirsiniz: $\pm$ $x_1$ $x_2$ $x_1$

\begin{aligned} \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} ({\bar{x}}_{2} - s_{x_{2}}) + {\hat{β}}_{3} x_{1} ({\bar{x}}_{2} - s_{x_{2}}) \\ \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} {\bar{x}}_{2} + {\hat{β}}_{3} x_{1} {\bar{x}}_{2} \\ \hat{y} & = {\hat{β}}_{0} + {\hat{β}}_{1} x_{1} + {\hat{β}}_{2} ({\bar{x}}_{2} + s_{x_{2}}) + {\hat{β}}_{3} x_{1} ({\bar{x}}_{2} + s_{x_{2}}) \end{aligned}

$\begin{align} \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 (\bar x_2 - s_{x_2}) + \hat\beta_3 x_1(\bar x_2 - s_{x_2}) \\ \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 \bar x_2 \quad\quad\quad\ + \hat\beta_3 x_1\bar x_2 \\ \hat y &= \hat\beta_0 + \hat\beta_1 x_1 + \hat\beta_2 (\bar x_2 + s_{x_2}) + \hat\beta_3 x_1(\bar x_2 + s_{x_2}) \end{align}$

— gung - Eski Monica
kaynak

9

İşte regresyon sonuçlarını üç boyutlu olarak çizmek için web tabanlı, etkileşimli bir araçtır .

Bu 3-B arsa bir bağımlı değişken ve iki açıklayıcı değişken ile çalışır. Kesişimi de sıfıra ayarlayabilirsiniz (yani kesişmeyi regresyon denkleminden kaldırın).

Grafikler, WebGL özellikli bir tarayıcı gerektirir. Tüm büyük masaüstü tarayıcılarının en yeni sürümleri WebGL'yi desteklemektedir.

— Android 3D
kaynak

Site şu an kapalı - GoDaddy açılış sayfası

— alıyorum

4

Modeli görselleştirmek için veriler yerine, JMP etkileşimli bir "profiler" grafiği kullanır. İşte statik bir görünüm.

Ve işte dinamik bir görünüme bağlantı .

Dağılım grafiği fikrinize benzer ve onunla birleştirilebilir. Fikir, her karenin ilgili X ve Y değişkenleri için modelin bir dilimini, belirtilen X değerlerinde sabit tutulan diğer X değişkenleriyle göstermesidir. İnteraktif versiyonda, kırmızı dikey çizgiler sürüklenerek X değerleri değiştirilebilir.

Açıklama: Ben bir JMP geliştiricisiyim, bu yüzden bunu tarafsız bir onay olarak almayın.

— xan
kaynak

2

Bağımlı değişkenin kalıntılarını yordayıcıların kalıntılarıyla çizmeniz çok önemli değil mi? Değişkenleriniz arasındaki gerçek ilişkileri temsil ettiği için bunun olması gerektiğini düşündüm, ancak bu nadiren tavsiye ediliyor.

— Agus Camacho

1

@AgusCamacho, hala bununla ilgileniyorsanız, yeni bir soru sormalısınız.

— dediklerinin - Eski Monica