명목형 로지스틱 회귀 - 로지스틱 적합성과 예측 프로파일러는 반대 방향으로 나타납니다.안녕하세요. 도움을 주셔서 미리 감사드립니다!
제 석사 프로젝트에서 저는 침입성 식물 종의 기초 직경이 증가함에 따라 제초제 처리 후 다시 돋을 가능성도 증가한다는 것을 보여주기 위해 명목형 로지스틱 회귀 분석을 실행하려고 합니다. 데이터는 확실히 이것을 보여주는 것처럼 보이고 예측 프로파일러(사진)는 이를 뒷받침하는 것처럼 보이지만 생성된 그래프는 그 반대(사진)를 보여주는 것 같습니다.
몇 가지 질문:
1) 데이터 포인트가 여기저기 흩어져 있는 이유는 무엇입니까? 1이나 0으로 표현하면 안되는 걸까요?
2) 반응이 y축에 연속 척도인 이유는 무엇입니까? 이게 예상한 비율인가요? 내 응답 변수가 오른쪽에 표시됩니다.
3) 두 사람이 서로 반대되는 것처럼 보이는 이유는 무엇입니까? 내가 할 수 있는게 있습니까?
바꿔보려고 했는데 가치 순서 , 그러나 동일한 결과를 얻었습니다(반대 곡선).
감사합니다!
Re: 명목형 로지스틱 회귀 - 로지스틱 적합성과 예측 프로파일러가 반대 방향으로 나타납니다.Kevin의 탁월한 조언을 따르고 Logistic 플랫폼에 대한 JMP 문서를 읽어보세요. 그동안 귀하의 구체적인 질문에 답변해 드리겠습니다.
- 그만큼 모자이크 플롯 플랫폼 상단에서는 가로좌표에 연속형 예측 변수 값을 사용합니다. 점이 올바른 쪽(아래 또는 위)에 있도록 세로 좌표에 대해 균일한 임의 값을 생성합니다. 물류 곡선 . 이 '트릭'은 데이터와 적합성을 시각적으로 평가하는 데 도움이 되기 때문에 유용합니다. 이는 적합 곡선을 결정하는 데이터 포인트의 분포와 질량을 정직하게 묘사합니다.
- 응답은 개연성 결과의 응답 = 새싹 , 결과 자체가 아닙니다. (많은 사용자가 범주형 수준을 0과 1과 같은 숫자 코드로 순진하게 대체하고 보통 최소 제곱 회귀를 사용하지만 이 접근 방식은 원칙이 없고 문제가 많으며 일반적으로 만족스럽지 않습니다.) 확률은 확률의 동작과 가정에 맞게 로지스틱 회귀로 변환됩니다. 회귀의.
- 확률은 [0,1] 범위에서 제한됩니다. 선형 회귀의 반응은 전혀 제한되지 않습니다.
- 확률 곡선은 선형이 아닙니다. 이는 예측 변수의 극단에서 점근선을 나타냅니다. 선형(매개변수 내) 회귀는 선형(매개변수 내) 관계를 가정합니다. 예측 변수의 변환(예: X^2, X^3)을 선형 조합에 추가할 수 있지만 여전히 실질적으로 유용할 만큼 확률 곡선에 근접하지는 않습니다.
- 확률의 변환은 두 단계로 발생합니다.
- 첫째, 확률은 응답 = 새싹 로 변환됩니다. 승산 ~의 응답 = 새싹 . 즉, 확률 = P( 응답 = 새싹 ) / P ( 아님 응답 = 새싹 ) 또는 확률 = P( 응답 = 새싹 ) / (1 - P( 응답 = 새싹 )). 확률은 [0,+무한대]로 제한됩니다. 이 변화는 선형 회귀에 있어서 큰 개선이지만 충분하지는 않습니다.
- 둘째, 확률은 (자연) 로그 함수를 사용하여 log( 확률 )로 변환됩니다. 로그(odds)의 범위는 [-무한대,+무한대]입니다. 이 마지막 변화는 회귀 분석에 대한 무한 선형 반응의 가정을 만족시키는 변화입니다.
- 로그(확률)는 다음과 같이 알려져 있습니다. 로짓 또는 logit( P( Respout ) ).
- 로지스틱 회귀 모델은 이제 다른 선형 회귀와 마찬가지로 X의 선형 함수인 log(odds) = a + bX입니다. (필요한 경우 다른 예측 변수, 상호 작용 효과 및 검정력도 포함할 수 있습니다.)
- 로그(확률)는 플롯과 해석을 위해 피팅 후 확률로 다시 변환됩니다.
- '반대'가 무엇을 의미하는지 정확히 모르겠지만 귀하의 예에 표시된 결과를 설명하겠습니다.
- 모자이크 플롯의 오른쪽을 조사합니다. 두 가지 수준의 응답 구분하는 눈금 표시와 함께 나타납니다. 이 척도는 한계 확률 결과의. 원점(0)에서 눈금 표시까지의 거리는 첫 번째 수준을 갖는 사례의 비율을 나타냅니다. 응답 = 새싹 . 눈금 표시에서 상단(1)까지의 거리가 두 번째 수준인 케이스의 비율을 나타냅니다. 응답 = 없음 . 오른쪽 눈금에서 왼쪽 확률 척도까지 직선 수평선을 그리면 회귀의 귀무 가설, 즉 확률이 나타납니다. 응답 = 새싹 예측변수에 의존하지 않음 기초 측정 .
- 로지스틱 곡선을 조사합니다. 이는 다음을 나타냅니다. 조건부 확률 저것 응답 = 새싹 . 이는 회귀 분석의 대립 가설, 즉 확률을 나타냅니다. 응답 = 새싹 예측변수에 따라 다름 기초 측정 . 확률은 응답 = 새싹 0에 가까울 때 기초 측정 5에 가깝지만 다음과 같은 경우 이 확률은 1로 높아집니다. 기초 측정 40에 가깝습니다.
관심이 있으시면 모든 형태의 로지스틱 회귀와 범주형 응답에 적합한 기타 방법을 다룹니다. JMP 소프트웨어: 이산 반응 분석 강의.
Re: 명목형 로지스틱 회귀 - 로지스틱 적합성과 예측 프로파일러가 반대 방향으로 나타납니다.안녕, 카스텔!
당신도 좋은 저녁이에요.
도움말 메뉴 아래 Fitting Linear Models 책의 11장 "로지스틱 회귀 모델"을 참조하세요. 도움말 메뉴의 JMP 책은 매우 유용하며 응답 및 그래프 해석과 관련된 혼란을 해결하는 데 도움이 될 것입니다.
명목 회귀 모델의 적합 확률의 합은 항상 1입니다. 두 그래프 모두 기초 측정값이 낮을 때 Resprout 확률이 더 낮다는 것을 나타냅니다. Basal Measure가 높을수록 Resprout 확률이 높아집니다.
증명하려는 게 아닌가요? 그래프(둘 다)는 그 가설과 일치합니다.
