43293_fr-FR

liliconcom

Régression logistique nominale – L'ajustement logistique et le profileur de prédiction apparaissent ci-contre.

Bonsoir et merci d'avance pour votre aide !

 

Pour mon projet de maîtrise, je tente d'exécuter une régression logistique nominale pour montrer qu'à mesure que le diamètre basal d'une espèce végétale envahissante augmente, sa probabilité de repousser augmente également après le traitement d'un herbicide. Les données semblent certainement le montrer et le profileur de prédiction (photo) semble le soutenir, mais le graphique créé semble montrer le contraire (photo).  

 

Quelques questions:

1) Pourquoi mes points de données sont-ils partout ? Ne devraient-ils pas être représentés par 1 ou 0 ?

2) Pourquoi la réponse est-elle sur une échelle continue sur l'axe des y ? Est-ce le pourcentage prévu ? Ma variable de réponse est affichée à droite.

3) Pourquoi les deux semblent-ils opposés ? Y a-t'il quelque chose que je puisse faire?

 

J'ai essayé de changer ordre de valeur , mais a obtenu les mêmes résultats (courbe opposée).

 

Merci!

 

 

Re : Régression logistique nominale – L'ajustement logistique et le profileur de prédiction apparaissent ci-contre

Veuillez suivre les excellents conseils de Kevin et lire la documentation JMP pour la plateforme logistique. En attendant, je répondrai à vos questions spécifiques.

1. Le parcelle en mosaïque en haut de la plateforme utilise la valeur prédictive continue pour l'abscisse. Il génère une valeur aléatoire uniforme pour l'ordonnée telle que le point soit du bon côté (en dessous ou au-dessus) du courbe logistique . Cette « astuce » est utile car elle facilite votre évaluation visuelle des données par rapport à l'ajustement. Il vous donne une représentation honnête de la distribution et de la masse de points de données qui ont déterminé la courbe ajustée.
2. La réponse est la probabilité du résultat Réponses = Repousser , pas le résultat lui-même. (De nombreux utilisateurs remplacent naïvement les niveaux catégoriels par des codes numériques tels que 0 et 1 et utilisent la régression des moindres carrés ordinaires, mais cette approche est sans principes, problématique et généralement insatisfaisante.) La probabilité est transformée en régression logistique pour s'adapter au comportement de la probabilité et aux hypothèses. de régression.
   1. La probabilité est limitée sur la plage [0,1]. La réponse en régression linéaire n’est pas du tout limitée.
   2. La courbe de probabilité n'est pas linéaire. Il présente des asymptotes aux extrémités de la variable prédictive. La régression linéaire (dans les paramètres) suppose une relation linéaire (dans les paramètres). Vous pouvez ajouter des transformations du prédicteur (par exemple, X^2, X^3) à la combinaison linéaire, mais cela ne se rapprochera toujours pas suffisamment de la courbe de probabilité pour être utile dans la pratique.
   3. La transformation de la probabilité se déroule en deux étapes.
      1. Premièrement, la probabilité de Réponses = Repousser est converti en chances de Réponses = Repousser . Autrement dit, cotes = P( Réponses = Repousser ) / P ( non Réponses = Repousser ) ou cotes = P( Réponse = Repousser ) / (1 - P( Réponses = Repousser )). Les chances sont limitées par [0,+infini]. Ce changement constitue une grande amélioration pour la régression linéaire, mais pas tout à fait suffisant.
      2. Deuxièmement, les cotes sont converties avec la fonction logarithme (naturel) en log( odds ). Les limites de log(odds) sont [-infinity,+infinity]. Ce dernier changement est celui qui satisfait l’hypothèse d’une réponse linéaire illimitée pour l’analyse de régression.
      3. Le journal (cotes) est également connu sous le nom de se connecter ou logit( P( Resprout ) ).
   4. Le modèle de régression logistique est désormais log(odds) = a + bX, une fonction linéaire de X, comme toute autre régression linéaire. (Notez que vous pouvez également inclure d'autres variables prédictives, effets d'interaction et puissances, si nécessaire.)
   5. Le log (cotes) est reconverti en probabilité après l'ajustement pour des raisons de tracé et d'interprétation.
3. Je ne suis pas exactement sûr de ce que vous entendez par « opposé », mais laissez-moi vous expliquer les résultats présentés dans votre exemple.
   1. Examinez le côté droit du tracé en mosaïque. Notez que les deux niveaux de Réponses apparaissent avec une coche les séparant. Cette échelle indique le probabilité marginale des résultats. La distance de l'origine (0) à la coche indique la proportion de cas avec le premier niveau, Réponses = Repousser . La distance entre la coche et le haut (1) indique la proportion de cas avec le deuxième niveau, Réponses = Aucun . Si vous traciez une ligne droite horizontale depuis la graduation du côté droit jusqu'à l'échelle de probabilité du côté gauche, cela représenterait l'hypothèse nulle de régression : la probabilité de Réponses = Repousser ne dépend pas du prédicteur Mesure basale .
   2. Examinez la courbe logistique. Il indique le probabilite conditionnelle que Réponses = Repousser . Il représente l'hypothèse alternative de votre régression : la probabilité de Réponses = Repousser cela dépend du prédicteur Mesure basale . La probabilité que Réponses = Repousser est proche de zéro quand Mesure basale est proche de 5 mais cette probabilité augmente vers un lorsque Mesure basale est proche de la quarantaine.

Si vous êtes intéressé, nous couvrons toutes les formes de régression logistique et autres méthodes adaptées aux réponses catégorielles dans notre Logiciel JMP : analyse des réponses discrètes cours.

Re : Régression logistique nominale – L'ajustement logistique et le profileur de prédiction apparaissent ci-contre

Salut Casteel !

 

Bonne soirée à vous aussi.

 

Veuillez vous référer au chapitre 11 « Modèles de régression logistique » du livre Ajustement des modèles linéaires dans le menu Aide. Les livres JMP dans le menu Aide sont très utiles et devraient vous aider à dissiper votre confusion concernant les réponses et l'interprétation des graphiques.

 

Les probabilités ajustées d'un modèle de régression nominale totalisent toujours 1. Les deux graphiques suggèrent que lorsque la mesure basale est faible, la probabilité de repousse est plus faible ; Lorsque la mesure basale est élevée, la probabilité de repousse est plus élevée.

 

N'est-ce pas ce que vous essayez de prouver ? Les graphiques (tous deux) sont cohérents avec cette hypothèse.