名目 Logistic 迴歸 - Logistic 擬合和預測刻畫器看起來相反晚上好，提前感謝您的幫忙！
在我的碩士課程中，我試圖進行名義邏輯回歸，以表明隨著入侵植物物種基徑的增加，其在除草劑處理後重新發芽的可能性也會增加。 數據似乎確實表明了這一點，並且預測刻畫器（如圖）似乎支持這一點，但創建的圖表似乎顯示了相反的情況（如圖）。
幾個問題：
1）為什麼我的數據點到處都是？ 它們不應該表示為 1 或 0 嗎？
2）為什麼y軸上的反應是連續的？ 這是預測的百分比嗎？ 我的反應變數顯示在右側。
3）為什麼兩者看起來相反？ 有什麼我可以做的嗎？
我嘗試改變值排序，但收到相同的結果（相反的曲線）。
謝謝你！
回覆：名目 Logistic 迴歸 - Logistic 擬合和預測刻畫器看起來相反請遵循 Kevin 的出色建議並閱讀 Logistic 平台的 JMP 文件。 同時，我將回答你的具體問題。
- 這馬賽克圖平台頂部使用連續預測值作為橫座標。 它為縱座標產生一個統一的隨機值，使得該點位於座標的正確一側（下方或上方）邏輯曲線。 這個「技巧」很有用，因為它有助於您對數據與適合度進行視覺評估。 它為您提供了確定擬合曲線的數據點的分佈和品質的誠實描述。
- 響應是可能性結果的回應=重新發芽，而不是結果本身。 （許多用戶天真地用數字代碼（例如0 和1）替換分類級別，並使用普通最小二乘回歸，但這種方法是無原則的、有問題的，並且通常不令人滿意。）機率在邏輯在迴歸中進行轉換，以適應機率的行為和假設的迴歸。
- 機率的範圍是 [0,1]。 線性迴歸中的反應根本沒有界限。
- 機率曲線不是線性的。 它在預測變數的極值處表現出漸近線。 線性（在參數中）迴歸假設線性（在參數中）關係。 您可以將預測變數的變換（例如，X^2、X^3）添加到線性組合中，但它仍然無法很好地逼近機率曲線，無法在實際中發揮作用。
- 機率的變換分兩個階段進行。
- 首先，機率回應=重新發芽被轉換為賠率的回應=重新發芽。 也就是說，賠率 = P(回應=重新發芽) / P ( 不回應=重新發芽) 或賠率 = P(回覆=重新發芽) / (1 - P(回應=重新發芽））。 賠率的範圍是 [0,+無窮大]。 這項變化對於線性迴歸來說是一個很大的改進，但還不夠。
- 其次，使用（自然）對數函數將賠率轉換為 log( odds )。 log( odds ) 的界限是 [-無窮大,+無窮大]。 最後一個更改滿足迴歸分析的無界線性響應假設。
- log( 賠率 ) 也稱為對數或 logit( P( Resprout ) )。
- 邏輯迴歸模型現在是 log( odds ) = a + bX，X 的線性函數，就像其他線性迴歸一樣。 （請注意，如有必要，您還可以包括其他預測變數、交互作用和功效。）
- 為了繪圖和解釋，擬合後 log( odds ) 被轉換回機率。
- 我不太清楚你所說的「相反」是什麼意思，但讓我解釋一下你的例子中顯示的結果。
- 檢查馬賽克圖的右側。 請注意，這兩個級別回應出現並用刻度線分隔它們。 此量表表示邊際機率結果。 從原點（0）到刻度線的距離表示第一級案例的比例，回應=重新發芽。 刻度線到頂部 (1) 的距離表示第二級案例的比例，回應=沒有任何。 如果您從右側的刻度線到左側的機率刻度畫一條水平直線，它將代表迴歸的原假設：回應=重新發芽不依賴預測器基礎測量。
- 檢查邏輯曲線。 它表明條件機率那回應=重新發芽。 它代表了迴歸的替代假設：回應=重新發芽取決於預測器基礎測量。 的機率回應=重新發芽接近零時基礎測量接近 5，但當基礎測量已經快40了。
如果您有興趣，我們將涵蓋所有形式的邏輯回歸和其他適合分類回應的方法JMP 軟體：分析離散回應課程。
回覆：名目 Logistic 迴歸 - Logistic 擬合和預測刻畫器看起來相反嗨，卡斯蒂爾！
你也晚上好。
請參考「幫助」選單下的《擬合線性模型》一書的第 11 章「Logistic 迴歸模型」。 「幫助」選單中的 JMP 書籍非常有幫助，可以幫助您解決有關圖形響應和解釋的困惑。
名目迴歸模型的擬合機率總和為 1。這兩個圖表都表明，當基礎測量值較低時，Resprout 機率較低；反之亦然。當基礎測量值較高時，重新發芽的機率較高。
這不就是你想證明的嗎？ 這些圖（兩個）都與該假設一致。
