43293_es-ES

liliconcom

Regresión logística nominal: el ajuste logístico y el perfilador de predicción aparecen al lado opuesto

Buenas noches y gracias de antemano por su ayuda!

 

Para mi proyecto de maestría, intento ejecutar una regresión logística nominal para mostrar que a medida que aumenta el diámetro basal de una especie de planta invasora, su probabilidad de rebrotar también aumenta después del tratamiento con un herbicida. Los datos ciertamente parecen mostrar esto y el generador de perfiles de predicción (en la imagen) parece respaldar esto, pero el gráfico creado parece mostrar lo contrario (en la imagen).  

 

Unas cuantas preguntas:

1) ¿Por qué mis puntos de datos están por todos lados? ¿No deberían representarse como 1 o 0?

2) ¿Por qué la respuesta está en una escala continua en el eje y? ¿Es este el porcentaje previsto? Mi variable de respuesta se muestra a la derecha.

3) ¿Por qué los dos parecen ser opuestos? ¿Hay algo que pueda hacer?

 

Traté de cambiar pedido de valor , pero recibió los mismos resultados (curva opuesta).

 

¡Gracias!

 

 

Re: Regresión logística nominal -- Ajuste logístico y Prediction Profiler aparecen enfrente

Siga los excelentes consejos de Kevin y lea la documentación de JMP para la plataforma logística. Mientras tanto, responderé a sus preguntas específicas.

1. los trama de mosaico en la parte superior de la plataforma utiliza el valor predictor continuo para la abscisa. Genera un valor aleatorio uniforme para la ordenada tal que el punto está en el lado correcto (por debajo o por encima) de la curva logística . Este 'truco' es útil porque ayuda a la evaluación visual de los datos frente al ajuste. Le brinda una descripción honesta de la distribución y la masa de puntos de datos que determinaron la curva ajustada.
2. La respuesta es la probabilidad del resultado Respuestas = rebrotar , no el resultado en sí. (Muchos usuarios reemplazan ingenuamente los niveles categóricos con códigos numéricos como 0 y 1 y usan la regresión de mínimos cuadrados ordinarios, pero este enfoque carece de principios, es problemático y generalmente insatisfactorio). La probabilidad se transforma en regresión logística para adaptarse al comportamiento de la probabilidad y las suposiciones. de regresión
   1. La probabilidad está acotada en el rango [0,1]. La respuesta en la regresión lineal no está acotada en absoluto.
   2. La curva de probabilidad no es lineal. Exhibe asíntotas en los extremos de la variable predictora. La regresión lineal (en los parámetros) asume una relación lineal (en los parámetros). Puede agregar transformaciones del predictor (por ejemplo, X ^ 2, X ^ 3) a la combinación lineal, pero aún no se aproximará a la curva de probabilidad lo suficientemente bien como para ser útil en la práctica.
   3. La transformación de la probabilidad ocurre en dos etapas.
      1. Primero, la probabilidad de Respuestas = rebrotar se convierte en el posibilidades de Respuestas = rebrotar . Es decir, probabilidades = P( Respuestas = rebrotar ) / P (no Respuestas = rebrotar ) o probabilidades = P( Respuesta = rebrotar ) / (1 - P( Respuestas = rebrotar )). Las probabilidades están limitadas por [0,+infinito]. Este cambio es una gran mejora para la regresión lineal, pero no lo suficiente.
      2. En segundo lugar, las probabilidades se convierten con la función de logaritmo (natural) en log(odds). Los límites de log(odds) son [-infinito,+infinito]. Este último cambio es el que satisface el supuesto de una respuesta lineal ilimitada para el análisis de regresión.
      3. El log(odds) también se conoce como el logit o logit(P(Rebrotar)).
   4. El modelo de regresión logística ahora es log(odds) = a + bX, una función lineal de X, como cualquier otra regresión lineal. (Tenga en cuenta que también podría incluir otras variables predictoras, efectos de interacción y poderes, si es necesario).
   5. El registro (odds) se transforma nuevamente en probabilidad después del ajuste por el bien de las gráficas y la interpretación.
3. No estoy exactamente seguro de lo que quiere decir con 'opuesto', pero permítame explicarle los resultados que se muestran en su ejemplo.
   1. Examine el lado derecho de la trama de mosaico. Observe que los dos niveles de Respuestas aparecerán con una marca de verificación separándolos. Esta escala indica la probabilidad marginal de los resultados La distancia desde el origen (0) hasta la marca indica la proporción de casos con el primer nivel, Respuestas = rebrotar . La distancia desde la marca de verificación hasta la parte superior (1) indica la proporción de casos con el segundo nivel, Respuestas = Ninguna . Si dibujara una línea horizontal recta desde la marca del lado derecho hasta la escala de probabilidad del lado izquierdo, representaría la hipótesis nula de regresión: la probabilidad de Respuestas = rebrotar no depende del predictor Medida basal .
   2. Examine la curva logística. Indica el la probabilidad condicional que Respuestas = rebrotar . Representa la hipótesis alternativa de su regresión: la probabilidad de Respuestas = rebrotar depende del predictor Medida basal . La probabilidad de que Respuestas = rebrotar está cerca de cero cuando Medida basal está cerca de 5 pero esta probabilidad se eleva hacia uno cuando Medida basal está cerca de los 40.

En caso de que esté interesado, cubrimos todas las formas de regresión logística y otros métodos adecuados para respuestas categóricas en nuestro Software JMP: análisis de respuesta discreta curso.

Re: Regresión logística nominal -- Ajuste logístico y Prediction Profiler aparecen enfrente

¡Hola, Castel!

 

Buenas tardes ati también.

 

Consulte el Capítulo 11 "Modelos de regresión logística" del libro Ajuste de modelos lineales en el menú Ayuda. Los libros de JMP en el menú Ayuda son muy útiles y deberían ayudarlo con su confusión con respecto a las respuestas y la interpretación de los gráficos.

 

Las probabilidades ajustadas de un modelo de regresión nominal siempre suman 1. Ambos gráficos sugieren que cuando la Medida Basal es baja, la probabilidad de Rebrote es menor; Cuando la Medida Basal es alta, la probabilidad de Rebrote es mayor.

 

¿No es eso lo que estás tratando de probar? Los gráficos (ambos) son consistentes con esa hipótesis.