Regresión lineal y escalado de datos

10

La siguiente gráfica muestra los coeficientes obtenidos con regresión lineal (con mpgla variable objetivo y todos los demás como predictores).

Para el conjunto de datos mtcars ( aquí y aquí ) con y sin escalar los datos:

ingrese la descripción de la imagen aquí

¿Cómo interpreto estos resultados? Las variables hpy dispson significativas solo si los datos están escalados. ¿Son ame qsecigualmente importantes o son ammás importantes que qsec? ¿De qué variable se debería decir que son determinantes importantes mpg?

Gracias por tu perspicacia.

rnso
fuente
Si no le importa, ¿puede simplemente ejecutar algunos modelos diferentes y hacer una verificación cruzada de qué características son realmente importantes? El escalado de datos se realiza cuando tenemos escalas realmente muy diferentes para diferentes columnas y difieren mucho de su trama (bonitas parcelas), está bastante claro que la escala ayudó al modelo a encontrar la verdadera visión de los datos, ya que sin escalar, El modelo no tiene otra opción que darle más peso a la variable que tiene escalas grandes, siempre que lo que prediga sea también un número un poco alto.
Aditya
Gracias por tu comentario en la trama. No estoy seguro de lo que quiere decir con "ejecutar algunos modelos diferentes". ¿Puede averiguar qué características son realmente importantes utilizando algunas otras técnicas, como la red neuronal, para poder comparar con los resultados de la regresión lineal?
rnso
Perdón por no estar claro, lo que quise decir es probar diferentes algoritmos ml como árbol basado, etc. y comparar todas sus características Importancias ..
Aditya

Respuestas:

4

El hecho de que los coeficientes de hp y disp sean bajos cuando los datos no están escalados y altos cuando los datos están escalados significa que estas variables ayudan a explicar la variable dependiente pero su magnitud es grande, por lo que los coeficientes en el caso sin escalar tienen que ser bajos.

En términos de "importancia", diría que el valor absoluto de los coeficientes en el caso escalado es una buena medida de la importancia, más que en el caso no escalado, ya que allí la magnitud de la variable también es relevante, y debería no.

Por supuesto, la variable más importante es wt.

David Masip
fuente
4

Realmente no se puede hablar de importancia en este caso sin errores estándar; se escalan con las variables y coeficientes. Además, cada coeficiente está condicionado a las otras variables en el modelo, y la colinealidad en realidad parece estar inflando la importancia de hp y disp.

Las variables de reescalado no deberían cambiar la importancia de los resultados. De hecho, cuando volví a clasificar la regresión (con las variables tal cual, y normalizada restando la media y dividiendo por los errores estándar), cada estimación de coeficiente (excepto la constante) tenía exactamente la misma t-estadística que antes de escalar, y el La prueba F de significación general se mantuvo exactamente igual.

Es decir, incluso cuando todas las variables se han escalado para tener una media de cero y una varianza de 1, no hay un tamaño de error estándar para cada uno de los coeficientes de regresión, por lo que solo se observa la magnitud de cada coeficiente en el La regresión estandarizada sigue siendo engañosa sobre la importancia.

Como explicó David Masip, el tamaño aparente de los coeficientes tiene una relación inversa con la magnitud de los puntos de datos. Pero incluso cuando los coeficientes en disp y hp son enormes, todavía no son significativamente diferentes de cero.

De hecho, hp y disp están altamente correlacionados entre sí, r = .79, por lo que los errores estándar en esos coeficientes son especialmente altos en relación con la magnitud del coeficiente porque son muy colineales. En esta regresión, están haciendo un contrapeso extraño, por eso uno tiene un coeficiente positivo y otro tiene un coeficiente negativo; parece un caso de sobreajuste y no parece significativo.

Una buena forma de ver qué variables explican la mayor variación en mpg es el R cuadrado (ajustado). Es literalmente el porcentaje de la variación en y que se explica por la variación en las variables x. (R-cuadrado ajustado incluye una leve penalización por cada variable x adicional en la ecuación, para contrarrestar el sobreajuste).

Una buena manera de ver lo que es importante, a la luz de las otras variables, es observar el cambio en el R cuadrado ajustado cuando se omite esa variable de la regresión. Ese cambio es el porcentaje de varianza en la variable dependiente que explica ese factor, después de mantener constantes las otras variables. (Formalmente, puede probar si las variables excluidas importan con una prueba F ; así es como funcionan las regresiones escalonadas para la selección de variables).

Para ilustrar esto, ejecuté regresiones lineales individuales para cada una de las variables por separado, prediciendo mpg. La variable wt sola explica el 75.3% de la variación en mpg, y ninguna variable individual explica más. Sin embargo, muchas de otras variables están correlacionadas con wt y explican algo de esa misma variación. (Utilicé errores estándar robustos, lo que podría conducir a ligeras diferencias en los errores estándar y los cálculos de significancia, pero no afectará los coeficientes o R-cuadrado).

+------+-----------+---------+----------+---------+----------+-------+
|      |   coeff   |   se    | constant |   se    | adj R-sq | R-sq  |
+------+-----------+---------+----------+---------+----------+-------+
| cyl  | -0.852*** | [0.110] |        0 | [0.094] |    0.717 | 0.726 |
| disp | -0.848*** | [0.105] |        0 | [0.095] |    0.709 | 0.718 |
| hp   | -0.776*** | [0.154] |        0 | [0.113] |    0.589 | 0.602 |
| drat |  0.681*** | [0.123] |        0 | [0.132] |    0.446 | 0.464 |
| wt   | -0.868*** | [0.106] |        0 | [0.089] |    0.745 | 0.753 |
| qsec |  0.419**  | [0.136] |        0 | [0.163] |    0.148 | 0.175 |
| vs   |  0.664*** | [0.142] |        0 | [0.134] |    0.422 | 0.441 |
| am   |  0.600*** | [0.158] |        0 | [0.144] |    0.338 | 0.360 |
| gear |  0.480*   | [0.178] |        0 | [0.158] |    0.205 | 0.231 |
| carb | -0.551**  | [0.168] |        0 | [0.150] |    0.280 | 0.304 |
+------+-----------+---------+----------+---------+----------+-------+

Cuando todas las variables están juntas, el R cuadrado es 0.869 y el R cuadrado ajustado es 0.807. Entonces, agregar 9 variables más para unir wt solo explica otro 11% de la variación (o simplemente un 5% más, si corregimos el sobreajuste). (Muchas de las variables explicaron algunas de las mismas variaciones en mpg que wt.) Y en ese modelo completo, el único coeficiente con un valor p inferior al 20% es wt, a p = 0.089.

cactus_pardner
fuente