Interprétation des résultats par régression de modèle linéaire mixte Python

Question

Je n'arrive pas à trouver un guide approprié sur la façon d'interpréter les résultats d'une régression de modèle linéaire mixte.

import statsmodels.api as sm
import statsmodels.formula.api as smf


md = smf.mixedlm("var1 ~ C(Gender) + C(Gender)*Weight + C(Gender)*Height", dataset, groups=dataset["Gender"])

mdf = md.fit()
print(mdf.summary())

Résultats:

------------------------------------------------------------------------
                           Coef.    Std.Err.    z    P>|z| [0.025 0.975]
------------------------------------------------------------------------
Intercept                   3.389       1.109  3.057 0.002  1.216  5.561
C(Gender)[T.1]             -0.011       1.578 -0.007 0.995 -3.103  3.082
Weight                     -0.067       0.022 -3.028 0.002 -0.111 -0.024
C(Gender)[T.1]: Weight     -0.021       0.025 -0.844 0.399 -0.071  0.028
Height                      0.104       0.026  4.028 0.000  0.053  0.154
C(Gender)[T.1]: Height     -0.028       0.029 -0.949 0.343 -0.085  0.030

Je ne comprends pas quel est le sens de groups = ...Que suis-je censé définir ici? De plus, lors de la définition du genre comme variable catégorielle, afin qu'il prenne en compte les deux sexes, comment interpréter les résultats et les effets d'interaction des deux sexes? Aussi, pour une aide sur la signification du coefficient basé sur la valeur p.

Merci d'avance pour toute aide!

Answer 1

groups=est l'endroit où vous spécifiez la variable de regroupement. Le modèle estimera ensuite les intersections aléatoires pour cette variable. Cela devrait être la variable pour laquelle vous avez répété des mesures. Dans votre cas, cela groups=dataset["Gender"]n'a pas de sens, car il n'y a que 2 sexes et vous êtes intéressé par les effets fixes pour cela.

Quant à l'interprétation, comme @Cameron l'a mentionné, cela dépend si l'homme ou la femme vaut respectivement 0 ou 1. Même lorsque vous codez une variable et v = catégorique, sous le capot, elle aura toujours un niveau de référence (qui est celui qui est 0).

Alors disons que l'homme a 0 et la femme 1.

3,389 est la valeur attendue de var1 lorsque le poids et la taille sont tous deux égaux à zéro, pour les hommes.

0,067 est le changement estimé de var1 pour un changement d'une unité de poids lorsque la taille est égale à zéro, pour les hommes.

0,104 est le changement estimé de var1 pour un changement d'une unité de taille lorsque le poids est égal à zéro, pour les hommes.

0,021 est la différence de var1 entre les hommes et les femmes pour un changement d'une unité de poids. Cela peut être considéré comme la différence de pente du poids entre les hommes et les femmes.

0,028 est la différence de var1 entre les hommes et les femmes pour un changement d'une unité de taille. Cela peut être considéré comme la différence de pente de la hauteur entre les hommes et les femmes.

Étant donné que les effets principaux sont conditionnels à ce que les variables numériques soient à zéro, lorsqu'elles sont impliquées dans une interaction, il est souvent judicieux de centrer ces variables autour de la moyenne afin qu'elles adoptent une interprétation plus moyenne.

Chaque valeur p est la probabilité d'obtenir l'estimation correspondante, ou un autre extrême, si l'effet sur la population était en fait nul. Par exemple, si l'association de Weight avec var1, chez les hommes, lorsque la taille est en fait égale à zéro, la probabilité de trouver l'estimation de -0,067 ou moins est de 0,002.