Hasil Interpretasi Regresi Model Linear Campuran Python
Sepertinya saya tidak dapat menemukan panduan yang tepat tentang cara menafsirkan hasil dari Regresi Model Linear Campuran.
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())
Hasil:
------------------------------------------------------------------------
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
Saya tidak mengerti apa arti dari groups = ...Apa yang harus saya definisikan di sana? Selain itu, ketika mendefinisikan Gender sebagai variabel kategorikal, sehingga memperhitungkan kedua gender, bagaimana cara menafsirkan hasil dan efek interaksi kedua gender? Juga, untuk beberapa bantuan untuk arti koefisien berdasarkan nilai-p.
Terima kasih sebelumnya atas bantuannya!
Jawaban
groups=adalah tempat Anda menentukan variabel pengelompokan. Model kemudian akan memperkirakan intersep acak untuk variabel ini. Ini harus menjadi variabel apa pun yang telah Anda ukur ulang. Dalam kasus groups=dataset["Gender"]Anda tidak masuk akal, karena hanya ada 2 jenis kelamin dan Anda tertarik pada efek tetap untuk itu.
Adapun interpretasi, seperti yang disebutkan @Cameron, itu tergantung apakah pria atau wanita masing-masing adalah 0 atau 1. Bahkan ketika Anda mengkodekan variabel dan v = kategorikal, di bawah kap itu masih akan memiliki tingkat referensi (yang mana adalah 0).
Jadi misalkan pria 0 dan wanita 1.
3,389 adalah nilai yang diharapkan dari var1 ketika Weight dan Height keduanya nol, untuk pria.
0,067 adalah perkiraan perubahan dalam var1 untuk 1 unit perubahan Berat saat Tinggi adalah nol, untuk pria.
0,104 adalah perkiraan perubahan dalam var1 untuk 1 unit perubahan Tinggi ketika Berat adalah nol, untuk laki-laki.
0,021 adalah perbedaan dalam var1 antara pria dan wanita untuk 1 unit perubahan Berat. Ini dapat dianggap sebagai perbedaan kemiringan Bobot antara pria dan wanita.
0,028 adalah perbedaan dalam var1 antara pria dan wanita untuk 1 unit perubahan Tinggi. Hal ini dapat dianggap sebagai perbedaan kemiringan Tinggi antara jantan dan betina.
Karena efek utama bergantung pada variabel numerik yang bernilai nol, ketika mereka terlibat dalam interaksi, sering kali masuk akal untuk memusatkan variabel-variabel ini di sekitar mean sehingga mereka mengambil interpretasi yang lebih berarti.
Setiap nilai p adalah probabilitas untuk mendapatkan perkiraan yang sesuai, atau satu lagi ekstrim, jika pengaruhnya pada populasi benar-benar nol. Misalnya jika asosiasi Bobot dengan var1, pada pria, ketika Tinggi sebenarnya nol, maka probabilitas menemukan perkiraan -0,067 atau lebih rendah, adalah 0,002.