Mon ensemble de données ( ) a une variable dépendante (DV), cinq variables "de base" indépendantes (P1, P2, P3, P4, P5) et une variable indépendante d'intérêt (Q).
J'ai exécuté des régressions linéaires OLS pour les deux modèles suivants:
DV ~ 1 + P1 + P2 + P3 + P4 + P5
-> R-squared = 0.125
DV ~ 1 + P1 + P2 + P3 + P4 + P5 + Q
-> R-squared = 0.124
C'est-à-dire, l'ajout du prédicteur Q a diminué la quantité de variance expliquée dans le modèle linéaire. Pour autant que je sache, cela ne devrait pas se produire .
Pour être clair, il s'agit de valeurs R au carré et non de valeurs R au carré ajustées.
J'ai vérifié les valeurs au carré R- en utilisant Jasp et de Python de statsmodels .
Y a-t-il une raison pour laquelle je pourrais voir ce phénomène? Peut-être quelque chose concernant la méthode OLS?
1
problèmes numériques? Les chiffres sont assez proches les uns des autres ...
@ user2137591 C'est ce que je pense, mais je n'ai aucune idée de comment le vérifier. La différence absolue des valeurs R au carré est de 0,000513569, ce qui est petit, mais pas si petit.
—
Cai
J'espère que vous connaissez l'algèbre linéaire: si est la matrice de conception de ce qui précède, pourriez-vous s'il vous plaît calculer , où est la matrice transposée et est la matrice déterminante?
—
Clarinettiste
Les valeurs manquantes sont-elles automatiquement supprimées?
—
generic_user
0,000513569 est un très petit nombre: c'est une variation de 0,41%. Il s'agit très probablement d'un problème numérique. Ce que le clarinettiste essaie de dire, c'est que votre matrice de conception a peut-être un mauvais numéro de condition et lors de l'inversion, elle est numériquement instable ...