spss17 Опции

[_alena_]

всем привет! ребята подскажите пожалуйста что мне почитать / посмотреть по логит и пробит регрессии, а также дискриминантному анализу??? что как вводить понятно. не понятно что за таблицы выводятся и как ими оперировать... кое что читала но пока не хватает... спасибо!

[_alena_]

я не могу разобраться со шкалированием в книге ничего не нахожу
для начала мне нужно выбрать ряд переменных для которых потом применять лог.регресию... вы советуете мне начать со шкалирования многомерного?(proxscal или alscal)? или я вообще не туда лезу?
я в alscal выбрала ряд переменных и задала инд.матрицу для исхода к примеру.выбрала вычислить расстояния по данным...а что мне выводит не понимаю...

[p2004r]

я не могу разобраться со шкалированием в книге ничего не нахожу
для начала мне нужно выбрать ряд переменных для которых потом применять лог.регресию... вы советуете мне начать со шкалирования многомерного?(proxscal или alscal)? или я вообще не туда лезу?
я в alscal выбрала ряд переменных и задала инд.матрицу для исхода к примеру.выбрала вычислить расстояния по данным...а что мне выводит не понимаю...

В результате шкалирования Вы получите например 2 или больше (надо смотреть на график дисперсии приходящейся на последовательно выделяемые шкалы) искусственных переменных отображающих большую часть ковариации своих данных. Постройте картинку по этим двум переменным а размером или цветом точек на этом графике закодируйте например исходы. Если Вы глазами видите что есть некая закономерность и/или возможность выделить или разделить различные исходы то можно выбрать соответствующую модель (смотря из чего образовались шкалы по которым идет разделение исходов) для той же логрегресии.

Можно конечно вслепую действовать, начав с полной модели перебирать переменные ориентируясь на AIK, но это как то очень уж механистично.

PS то что вижу по гуглу (ну и логика подсказывает , пишут что надо сохранить результат MDS и потом строить графики.

Сообщение отредактировал p2004r - 4.02.2012 - 17:45

[_alena_]

В результате шкалирования Вы получите например 2 или больше (надо смотреть на график дисперсии приходящейся на последовательно выделяемые шкалы) искусственных переменных отображающих большую часть ковариации своих данных. Постройте картинку по этим двум переменным а размером или цветом точек на этом графике закодируйте например исходы. Если Вы глазами видите что есть некая закономерность и/или возможность выделить или разделить различные исходы то можно выбрать соответствующую модель (смотря из чего образовались шкалы по которым идет разделение исходов) для той же логрегресии.

Можно конечно вслепую действовать, начав с полной модели перебирать переменные ориентируясь на AIK, но это как то очень уж механистично.

PS то что вижу по гуглу (ну и логика подсказывает , пишут что надо сохранить результат MDS и потом строить графики.

вы уж меня простите.... я только начала изучать SPSS. вопросов больше чем ответов. как бы да понятно что построив графики я смогу какие то переменные взять для моделей лог регрессии и дискриминантного анализа. но я как то не поняла вообще что вы написали... если можно более детально по пунктам или пример какой то примитивный... а то у меня получились значения расскиданные по квадрантам. а что с ними делать и как их интерпретировать - ума не хватает...

[p2004r]

вы уж меня простите.... я только начала изучать SPSS. вопросов больше чем ответов. как бы да понятно что построив графики я смогу какие то переменные взять для моделей лог регрессии и дискриминантного анализа. но я как то не поняла вообще что вы написали... если можно более детально по пунктам или пример какой то примитивный... а то у меня получились значения расскиданные по квадрантам. а что с ними делать и как их интерпретировать - ума не хватает...

мда.... ну тогда пихайте все параметры в лог регрессию и считайте AIK. Это будет "полная модель". Исключайте переменные по одной и смотрите модель у которой будет минимум AIK. Повторяйте для неё исключение переменных с расчетом AIK. И так до момента пока не дойдете до минимума AIK. Это модель с наилучшим прогностическим потенциалом.

Можно заранее выделить случайным образом пару десятков случаев для контрольной группы. На ней проверить насколько предсказания модели устойчивы.

PS а в какое пространство минимальное упаковались данные после шкалирования?

[_alena_]

ну тогда пихайте все параметры в лог регрессию и считайте AIK.

что такое AIK??? я поначалу так и делала. все параметры что болеем менее по моему мнению могли мне подойти запихивала в логрегрессию и методом условного исключения мне оставляло набор каких то переменных. мне подсказали что прежде чем это делать стоит провести корреляцию и посмотреть связь с зависимой переменной. теперь после такого возник вопрос - не должны ли после лог регрессии остаться те переменные что и при корелляции имеют сильную связь? правильно ли будет если те переменные что получились при корреляции засунуть в лог регрессию и делать из них модель?

вот вы дальше говорили о исключении переменных, тоесть мне сделать как я делала (построить модель с помощью условного исключения, запихнув туда все переменные), а потом убирать по одной любой абсолютно переменной и смотреть какие переменные остануться? или как???
простите что задаю столь глупые вопросы!
относительно шкалирования - высылаю файлик может вы сможете его прокомментировать, а то я вообще там ниче не понимаю...

[p2004r]

что такое AIK??? я поначалу так и делала. все параметры что болеем менее по моему мнению могли мне подойти запихивала в логрегрессию и методом условного исключения мне оставляло набор каких то переменных. мне подсказали что прежде чем это делать стоит провести корреляцию и посмотреть связь с зависимой переменной. теперь после такого возник вопрос - не должны ли после лог регрессии остаться те переменные что и при корелляции имеют сильную связь? правильно ли будет если те переменные что получились при корреляции засунуть в лог регрессию и делать из них модель?

вот вы дальше говорили о исключении переменных, тоесть мне сделать как я делала (построить модель с помощью условного исключения, запихнув туда все переменные), а потом убирать по одной любой абсолютно переменной и смотреть какие переменные остануться? или как???
простите что задаю столь глупые вопросы!
относительно шкалирования - высылаю файлик может вы сможете его прокомментировать, а то я вообще там ниче не понимаю...

1) это я начал писать по русски и потом "перевел" конечно AIC http://ru.wikipedia.org/wiki/%D0%98%D0%BD%...%B8%D0%BA%D0%B5

2) связи с зависимой переменной лучше всего смотреть в пространстве построенном с помощью шкалирования.

3) с исключением какая логика --- Вы строите ряд моделей и смотрите у которой меньше AIC, набор переменных в модели можно или полным перебором строить или смотреть на оценки параметров входящих в уже построенную модель (те у которых p ниже всего можно исключать).

Если параметров очень много можно действовать обратным способом включая переменные в модель. Начать с ряда моделей в каждой из которых одна переменная. Потом отобрав те параметры которые лучше всего объясняют данные объединить их в одну модель. К ней добавить по одной оставшиеся невключенными показатели. Ну и все время следить за AIC как только он перестанет падать значит оптимальная модель построена.

Итоговую модель надо исследовать на эффективность (например ROC)

[_alena_]

Если параметров очень много можно действовать обратным способом включая переменные в модель. Начать с ряда моделей в каждой из которых одна переменная. Потом отобрав те параметры которые лучше всего объясняют данные объединить их в одну модель. К ней добавить по одной оставшиеся невключенными показатели. Ну и все время следить за AIC как только он перестанет падать значит оптимальная модель построена.

параметров много. тоесть мне брать к примеру первый из интересующих меня параметр, скажем влияние поступления (первично/повторно) на исход (выжил умер) и смотреть значение р при лог регрессии, дискриминантном анализе при корреляции??? или о каких моделях идет речь?
если так то мне тогда так сделать по всем переменным по одному а потом в конце что наиболее подойдет запихнуть в лог регрессию и пусть она из того еще исключит часть переменных?

[p2004r]

параметров много. тоесть мне брать к примеру первый из интересующих меня параметр, скажем влияние поступления (первично/повторно) на исход (выжил умер) и смотреть значение р при лог регрессии, дискриминантном анализе при корреляции??? или о каких моделях идет речь?
если так то мне тогда так сделать по всем переменным по одному а потом в конце что наиболее подойдет запихнуть в лог регрессию и пусть она из того еще исключит часть переменных?

Да 99 это многовато Модель может быть любой, это не влияет на процедуру её оценки.

Ну значит на первом шаге строите 99 моделей (каждая по одной переменной) лог регрессии с целевой переменной исход. Отбираете те из них у которых меньший AIC. Объединяете их пошагово (сначала те переменные которые дали модели с наименьшим AIC) в одну модель, при каждом добавлении смотрите на получившийся AIC. Как только AIC перестал уменьшаться модель получена.

[_alena_]

Ну значит на первом шаге строите 99 моделей (каждая по одной переменной) лог регрессии с целевой переменной исход.

тоесть если я правильно вас поняла - запускаю лог регресию и по одной переменной перебираю все подряд методом принудительного включения??? а как непосредственно в логрегрессии мне определять AIC? его нужно вручную считать или потом в двухэтапном кластерном анализе???

Отбираете те из них у которых меньший AIC. Объединяете их пошагово (сначала те переменные которые дали модели с наименьшим AIC) в одну модель, при каждом добавлении смотрите на получившийся AIC.

имеется в виду уже например методом исключения загнать все оставшиеся и посмотреть или снова по несколько подбирать???

[p2004r]

тоесть если я правильно вас поняла - запускаю лог регресию и по одной переменной перебираю все подряд методом принудительного включения???


имеется в виду уже например методом исключения загнать все оставшиеся и посмотреть или снова по несколько подбирать???

1) да

2) да, оставшиеся загонять постепенно усложняя модель, посматривая на AIC