¿Hay alguna razón para no usar polinomios ortogonales al ajustar regresiones?


13

En general, me pregunto si es mejor no usar polinomios ortogonales al ajustar una regresión con variables de orden superior. En particular, me pregunto con el uso de R:

Si poly()con raw = FALSEproduce los mismos valores ajustados como poly()con raw = TRUE, y polycon raw = FALSEresuelve algunos de los problemas asociados con regresiones polinómicas, a continuación, debe poly()con raw = FALSE siempre usarse para el montaje de regresiones polinómicas? ¿En qué circunstancias sería mejor no usar poly()?

Respuestas:


16

Alguna vez un motivo? Seguro; probablemente varios.

Considere, por ejemplo, dónde estoy interesado en los valores de los coeficientes brutos (por ejemplo, para compararlos con los valores hipotéticos), y la colinealidad no es un problema particular. Es casi la misma razón por la que a menudo no me refiero al centro en la regresión lineal ordinaria (que es el polinomio ortogonal lineal)

No son cosas con las que no puedes lidiar a través de polinomios ortogonales; es más una cuestión de conveniencia, pero la conveniencia es una gran razón por la que hago muchas cosas.

Dicho esto, me inclino hacia polinomios ortogonales en muchos casos al ajustar polinomios, ya que tienen algunos beneficios distintos.


¿Es posible comparar los coeficientes resultantes de una regresión polinómica ortogonal a valores hipotéticos?
user2374133

2
Si. Puede transformarlos de nuevo a los coeficientes implícitos y errores estándar de los polinomios "en bruto", por ejemplo.
Glen_b -Reinstate Monica

2
La mayoría de las veces, la conversión de la base polinomial ortogonal a la base monomial es un proceso mal condicionado (para grados altos; la conversión de bajo grado no es tan mala), por lo que si uno está a priori interesado en los coeficientes de la base monomial, cualquier La estabilidad numérica que obtuvo al usar los polinomios ortogonales se arroja por la ventana en la conversión, por lo que también podría usar monomios desde el principio. Advertencia emptor , por supuesto.
JM no es un estadista

1
@JM Gracias, ese es un excelente punto. Afortunadamente, sería muy raro en las aplicaciones estadísticas en estos días ajustarse a más de un polinomio de orden bastante bajo (mi consejo habitual es que, a menos que haya una razón teórica fuerte para ir por encima del grado tres o cuatro, uno debería considerar diferentes enfoques, ¿qué alternativa? puede ser mejor dependiendo de las circunstancias, pero cosas como splines, por ejemplo, pueden ser adecuadas para algunas situaciones).
Glen_b -Reinstate Monica

13

Porque si su modelo deja R cuando crece, debe recordar empacar sus constantes de centrado y normalización, y luego debe cargarlas todo el tiempo. ¡Imagínese encontrarlo algún día codificado en SQL, y el horror de darse cuenta de que los extravió!

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.