Logistinen regressio mallit Multinomijakauma ja Ordinal Variables

Multinomijakauma Logistinen regressio

multinomial (alias polytomous) logistinen regressiomallin on yksinkertainen laajennus binomisen logistisen regressiomallin. Niitä käytetään, kun riippuva muuttuja on enemmän kuin kaksi nimellinen (Järjestämätön) luokat.

Dummy koodaus riippumattomien muuttujien on melko yleinen. Vuonna multinomial logistinen regressio riippuva muuttuja on nuken koodataan useaksi 1/0 muuttujia. On vaihteleva kaikissa luokissa, mutta yksi, joten jos on olemassa M luokkia, siellä on M-1 osoitinmuuttujia. Kaikki paitsi yksi kategoria on oma tekomuuttujana. Kukin luokka on dummy muuttuja on arvo 1 sen luokan ja 0 kaikille muille. Yksi luokka, viittaus luokkaan, ei tarvitse omaa dummy muuttuja, koska se on yksilöidä kaikki muut muuttujat ovat 0.

mulitnomial logistinen regressio arvioi sitten erillinen binary logistinen regressiomallin kuhunkin nämä osoitinmuuttujia. Tuloksena on M-1 binary logistinen regressio malleja. Jokainen kertoo vaikutus ennustajia on onnistumisen todennäköisyyttä kyseisen luokan verrattuna viite luokkaan. Jokaisessa mallissa on oma siepata ja regressiokertoimia - ennustajia voivat vaikuttaa kunkin luokan eri tavalla.

Miksi ei vain ajaa sarja binary regressiomallien? Voisit, ja ihmiset käyttää, ennen multinomial regressiomallit olivat laajalti saatavilla ohjelmisto. Tulet todennäköisesti saada samanlaisia ​​tuloksia. Mutta käynnissä ne yhteen joten ne arvioidaan samanaikaisesti, mikä tarkoittaa parametriestimaatit ovat tehokkaampia - on vähemmän yleistä selittämätön virhe.

Ordinal Logistinen regressio: Suhteellinen Kerroin Malli

Kun vastaus luokat tilataan, et voi käyttää multinomial regressiomallin. Haittana on, että olet heittää pois tietoja tilaus. Järjestysluku logistinen regressiomallin säilyttää nämä tiedot, mutta se on hieman enemmän mukana.

Suhteellinen Kerroin Malli, tapahtuman mallinnettu ei ottaa tulokseen yhteen luokkaan, kuten tehdään binary ja multinomial malleja. Pikemminkin tapahtuman mallinnettu on ottaa tulos tietyn luokan tai edelliseen luokkaan.

Esimerkiksi tilattu vastemuuttuja kanssa kolmeen luokkaan, mahdollisista tapahtumista määritellään:

* on ryhmän 1
* ollessa ryhmään 2 tai 1
* ollessa ryhmässä 3, 2 tai 1.

suhteellinen kertoimet malli, jokainen tulos on oma siepata, mutta sama regressiokertoimia. Tämä tarkoittaa:

1. yleinen kertoimet joka tapauksessa voi vaihdella, mutta

2. vaikutus ennustajia on kertoimella tapahtuman kaikissa myöhemmissä luokka on sama kaikissa kategorioissa. Tämä on oletus malli, joka sinun täytyy tarkistaa. Se on usein rikottu.

malli on kirjoitettu hieman eri SPSS kuin tavallisesti, jossa miinusmerkki välillä siepata ja kaikki regressiokertoimia. Tämä on yleissopimus varmistaa, että positiivisen kertoimia, korotukset X arvojen johtaa lisäystä todennäköisyys korkeamman numeroitu vastausluokkia. SAS, merkki on plus, joten korotukset ennustaja arvojen nostaa todennäköisyydellä alemman numeroitu vastausluokkia. Varmista, että ymmärrät, miten malli on perustettu teidän tilastollinen paketin ennen tulosten tulkinnassa.
.