<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:taxo="http://purl.org/rss/1.0/modules/taxonomy/" version="2.0">
  <channel>
    <title>topic How to do Model Selection from  Contingency Analysis in Discussions</title>
    <link>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332696#M58099</link>
    <description>&lt;P&gt;My domain is Consumer Research.&amp;nbsp; I have 7 explanatory variables and 1 response variable.&amp;nbsp; All are categorical.&lt;/P&gt;&lt;P&gt;My objective is to replace the response variable with one or a combination of the explanatory variables.&lt;/P&gt;&lt;P&gt;My approach:&lt;/P&gt;&lt;UL&gt;&lt;LI&gt;Perform contingency analyses of each of the explanatory variables with the response.&lt;/LI&gt;&lt;LI&gt;From the contingency analysis, select the explanatory variable with the highest R-square (U).&amp;nbsp; Because the number of levels are different, I don’t think Likelihood Ratio or Pearson chi-square values would be helpful in the model selection.&lt;/LI&gt;&lt;LI&gt;From the Measures of Association table, use Lambda and Uncertainty values.&amp;nbsp; Choose the explanatory variable with the highest values.&lt;/LI&gt;&lt;/UL&gt;&lt;P&gt;Below is a summary describing the variables and results of contingency analysis.&lt;/P&gt;&lt;TABLE&gt;&lt;TBODY&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;Variable #&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;# levels&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Rsq(U)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;LR-chi sq&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Pearson chi sq&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Lambda Asym (C|R, R|C)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Lambda Sym.&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Uncertainty coef (C|R, R|C)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Uncertainty coef (Sym)&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;A&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;4&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;248&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;268&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08, .13&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.1&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08, .08&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;B&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;3&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.02&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;76&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;75&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.06, .02&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.02, .03&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.03&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;C&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;10&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;136&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;153&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.05, .04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.045&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04, .03&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.034&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;D&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;10&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.31&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;961&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1207&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.33, .13&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.22&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.3, .2&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.245&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;E&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;18&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1056&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1498&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .1&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.21&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .19&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.24&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;F&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;40&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.345&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1084&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1590&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .05&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.17&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.35, .15&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.21&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;G&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;6&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.32&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1000&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1286&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.35, .28&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.31&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.32, .26&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.29&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;/TBODY&gt;&lt;/TABLE&gt;&lt;P&gt;&amp;nbsp;&lt;/P&gt;&lt;P&gt;The response variable has 6 levels.&lt;/P&gt;&lt;P&gt;Levels in variables, D, E, F, G are ordered by ascending intensity.&amp;nbsp; It is assumed the low and high boundaries are similar.&lt;/P&gt;&lt;P&gt;Questions:&lt;/P&gt;&lt;OL&gt;&lt;LI&gt;&amp;nbsp;Is the approach as outlined valid?&lt;/LI&gt;&lt;LI&gt;Can I combine one of the variables from D,E,F,G ( I am inclined to select G) with one or more from A,B,C to get a better model (i.e., better replacement for the response)?&amp;nbsp; If so, how might one do this and what metrics might be used to select the best model?&lt;/LI&gt;&lt;/OL&gt;</description>
    <pubDate>Sat, 10 Jun 2023 20:40:47 GMT</pubDate>
    <dc:creator>TCM</dc:creator>
    <dc:date>2023-06-10T20:40:47Z</dc:date>
    <item>
      <title>How to do Model Selection from  Contingency Analysis</title>
      <link>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332696#M58099</link>
      <description>&lt;P&gt;My domain is Consumer Research.&amp;nbsp; I have 7 explanatory variables and 1 response variable.&amp;nbsp; All are categorical.&lt;/P&gt;&lt;P&gt;My objective is to replace the response variable with one or a combination of the explanatory variables.&lt;/P&gt;&lt;P&gt;My approach:&lt;/P&gt;&lt;UL&gt;&lt;LI&gt;Perform contingency analyses of each of the explanatory variables with the response.&lt;/LI&gt;&lt;LI&gt;From the contingency analysis, select the explanatory variable with the highest R-square (U).&amp;nbsp; Because the number of levels are different, I don’t think Likelihood Ratio or Pearson chi-square values would be helpful in the model selection.&lt;/LI&gt;&lt;LI&gt;From the Measures of Association table, use Lambda and Uncertainty values.&amp;nbsp; Choose the explanatory variable with the highest values.&lt;/LI&gt;&lt;/UL&gt;&lt;P&gt;Below is a summary describing the variables and results of contingency analysis.&lt;/P&gt;&lt;TABLE&gt;&lt;TBODY&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;Variable #&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;# levels&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Rsq(U)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;LR-chi sq&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Pearson chi sq&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Lambda Asym (C|R, R|C)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Lambda Sym.&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Uncertainty coef (C|R, R|C)&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;Uncertainty coef (Sym)&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;A&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;4&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;248&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;268&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08, .13&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.1&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08, .08&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.08&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;B&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;3&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.02&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;76&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;75&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.06, .02&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.02, .03&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.03&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;C&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;10&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;136&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;153&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.05, .04&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.045&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.04, .03&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.034&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;D&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;10&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.31&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;961&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1207&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.33, .13&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.22&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.3, .2&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.245&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;E&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;18&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1056&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1498&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .1&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.21&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .19&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.24&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;F&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;40&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.345&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1084&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1590&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.34, .05&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.17&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.35, .15&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.21&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;TR&gt;&lt;TD&gt;&lt;P&gt;G&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;6&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.32&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1000&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;1286&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.35, .28&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.31&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.32, .26&lt;/P&gt;&lt;/TD&gt;&lt;TD&gt;&lt;P&gt;.29&lt;/P&gt;&lt;/TD&gt;&lt;/TR&gt;&lt;/TBODY&gt;&lt;/TABLE&gt;&lt;P&gt;&amp;nbsp;&lt;/P&gt;&lt;P&gt;The response variable has 6 levels.&lt;/P&gt;&lt;P&gt;Levels in variables, D, E, F, G are ordered by ascending intensity.&amp;nbsp; It is assumed the low and high boundaries are similar.&lt;/P&gt;&lt;P&gt;Questions:&lt;/P&gt;&lt;OL&gt;&lt;LI&gt;&amp;nbsp;Is the approach as outlined valid?&lt;/LI&gt;&lt;LI&gt;Can I combine one of the variables from D,E,F,G ( I am inclined to select G) with one or more from A,B,C to get a better model (i.e., better replacement for the response)?&amp;nbsp; If so, how might one do this and what metrics might be used to select the best model?&lt;/LI&gt;&lt;/OL&gt;</description>
      <pubDate>Sat, 10 Jun 2023 20:40:47 GMT</pubDate>
      <guid>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332696#M58099</guid>
      <dc:creator>TCM</dc:creator>
      <dc:date>2023-06-10T20:40:47Z</dc:date>
    </item>
    <item>
      <title>Re: How to do Model Selection from  Contingency Analysis</title>
      <link>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332810#M58112</link>
      <description>&lt;P&gt;The two-way contingency table analysis is valid in its own right, but it is not sufficient for your purpose. Logistic regression using a linear predictor that combines all the variables will satisfy your need better.&lt;/P&gt;
&lt;P&gt;&amp;nbsp;&lt;/P&gt;
&lt;P&gt;Start &lt;A href="https://www.jmp.com/support/help/en/15.2/#page/jmp/logistic-regression-models.shtml#" target="_self"&gt;here&lt;/A&gt; in the JMP on-line documentation to learn what logistic regression is, how to set up your data, how to launch the analysis platform, and the results that are available to answer your questions.&lt;/P&gt;</description>
      <pubDate>Thu, 12 Nov 2020 13:00:56 GMT</pubDate>
      <guid>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332810#M58112</guid>
      <dc:creator>Mark_Bailey</dc:creator>
      <dc:date>2020-11-12T13:00:56Z</dc:date>
    </item>
    <item>
      <title>Re: How to do Model Selection from  Contingency Analysis</title>
      <link>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332879#M58119</link>
      <description>Thank you, Mark!&lt;BR /&gt;I have used Logistic Regression in the past but only with binary responses (e.g., Stable/Unstable). This instance would be a great learning opportunity. Will get right to it!</description>
      <pubDate>Thu, 12 Nov 2020 16:15:17 GMT</pubDate>
      <guid>https://community.jmp.com/t5/Discussions/How-to-do-Model-Selection-from-Contingency-Analysis/m-p/332879#M58119</guid>
      <dc:creator>TCM</dc:creator>
      <dc:date>2020-11-12T16:15:17Z</dc:date>
    </item>
  </channel>
</rss>

