Puis-je utiliser la régression multiple lorsque j'ai des prédicteurs catégoriels et continus mixtes?

Il semble que vous puissiez utiliser le codage pour une variable catégorielle, mais j'ai deux variables prédictives catégoriques et une variable prédictive continue. Puis-je utiliser la régression multiple pour cela dans SPSS et si oui, comment? Merci!

1. S'il s'agit d'une question de syntaxe SPSS, la réponse est simplement de mettre la variable catégorielle, codée de manière appropriée, dans la liste des variables pour les "variables indépendantes" avec la variable continue.
2. Sur les statistiques: votre variable catégorielle est-elle binaire? Si c'est le cas, vous devez utiliser un code factice ou un autre code de contraste valide. S'il n'est pas binaire, votre variable catégorielle est-elle ordinale ou nominale? Si elle est nominale, vous devez utiliser une stratégie de code contrastée - en effet, modéliser l'impact de chaque niveau de la variable sur le résultat ou la variable "dépendante". Si la variable catégorielle est ordinale, alors très probablementla chose raisonnable à faire est de l'introduire telle quelle dans le modèle, comme vous le feriez avec une variable prédictive continue (c'est-à-dire "indépendante"). Vous supposeriez, dans ce cas, que les incréments entre les niveaux de la variable du prédicteur catégorique ("indépendant"); ce ne sera que rarement une erreur, mais quand c'est le cas, vous devez à nouveau utiliser un code de contraste et modéliser l'impact de chaque niveau. Cette question revient assez souvent sur ce forum - voici une bonne analyse
3. À mon avis, la façon de gérer les données manquantes est une question complètement distincte. Je crois comprendre que la suppression par paire n'est pas considérée comme une approche valide pour la régression multivariée. Listwise est assez courant, mais peut également biaiser les résultats et c'est certainement dommage. L'imputation multiple est une chose de beauté.

Vous pouvez certainement, en suivant la même méthode que vous utiliseriez pour le premier prédicteur catégorique. Créez des variables factices comme vous le feriez pour la première variable de ce type. Mais il est souvent plus facile d'utiliser la commande Unianova de SPSS. Vous pouvez le rechercher dans n'importe quel guide de syntaxe imprimé ou PDF, ou vous pouvez y accéder via Analyser ... Modèle linéaire général ... Univarié.

Bien qu'elle soit un peu plus compliquée, la commande de régression présente cependant un certain nombre d'avantages par rapport à Unianova. Le principal est que vous pouvez choisir «manquant par paire» (vous n'avez pas à perdre un cas simplement parce qu'il manque une valeur pour un ou deux prédicteurs). Vous pouvez également obtenir de nombreux diagnostics précieux tels que des graphiques partiels et des statistiques d'influence.

Un moyen simple de transformer des variables catégorielles en un ensemble de variables factices à utiliser dans les modèles dans SPSS consiste à utiliser la syntaxe do repeat. C'est le plus simple à utiliser si vos variables catégorielles sont dans l'ordre numérique.

*making vector of dummy variables.
vector dummy(3,F1.0).
*looping through dummy variables using do repeat, in this example category would be the categorical variable to recode. 
do repeat dummy = dummy1 to dummy3 /#i = 1 to 3.
compute dummy = 0.
if category = #i dummy = 1.
end repeat.
execute. 

Sinon, vous pouvez simplement exécuter un ensemble d'instructions if pour créer vos variables factices. Ma version actuelle (16) n'a pas la capacité native de spécifier automatiquement un ensemble de variables factices dans la commande de régression (comme vous pouvez le faire dans Stata en utilisant la commande xi ) mais je ne serais pas surpris si cela était disponible dans une version plus récente. Prenez également note du point n ° 2 de dmk38, ce schéma de codage suppose des catégories nominales. Si votre variable est ordinale, une plus grande discrétion peut être utilisée.

Je suis également d'accord avec dmk38 et le fait que la régression soit meilleure en raison de sa capacité à spécifier les données manquantes d'une manière particulière est un problème complètement distinct.