43293_it-IT

liliconcom

Nominal Logistic Regression -- L'adattamento logistico e il Prediction Profiler appaiono opposti

Buonasera e grazie in anticipo per il vostro aiuto!

 

Per il mio progetto di master, sto tentando di eseguire una regressione logistica nominale per dimostrare che all'aumentare del diametro basale di una specie di pianta invasiva, aumenta anche la sua probabilità di ricaduta dopo il trattamento di un erbicida. I dati sembrano certamente mostrarlo e il profiler di previsione (nella foto) sembra supportarlo, ma il grafico creato sembra mostrare il contrario (nella foto).  

 

Alcune domande:

1) Perché i miei punti dati sono ovunque? Non dovrebbero essere rappresentati come 1 o 0?

2) Perché la risposta è su una scala continua sull'asse y? È questa la percentuale prevista? La mia variabile di risposta è mostrata a destra.

3) Perché i due sembrano essere opposti? C'è qualcosa che posso fare?

 

Ho provato a cambiare ordinamento dei valori , ma ha ricevuto gli stessi risultati (curva opposta).

 

Grazie!

 

 

Re: regressione logistica nominale -- L'adattamento logistico e il profiler predittivo appaiono opposti

Segui gli ottimi consigli di Kevin e leggi la documentazione JMP per la piattaforma logistica. Nel frattempo, rispondo alle tue domande specifiche.

1. IL trama del mosaico nella parte superiore della piattaforma utilizza il valore del predittore continuo per l'ascissa. Genera un valore casuale uniforme per l'ordinata in modo tale che il punto si trovi sul lato corretto (sotto o sopra) di curva logistica . Questo "trucco" è utile perché aiuta la tua valutazione visiva dei dati rispetto all'adattamento. Ti dà una rappresentazione onesta della distribuzione e della massa di punti dati che hanno determinato la curva adattata.
2. La risposta è il probabilità dell'esito Risposte = Riproduci , non il risultato stesso. (Molti utenti sostituiscono ingenuamente i livelli categoriali con codici numerici come 0 e 1 e usano la regressione dei minimi quadrati ordinari, ma questo approccio è privo di principi, problematico e di solito insoddisfacente.) La probabilità viene trasformata in regressione logistica per adattarsi al comportamento della probabilità e alle ipotesi di regressione.
   1. La probabilità è limitata nell'intervallo [0,1]. La risposta nella regressione lineare non è affatto limitata.
   2. La curva di probabilità non è lineare. Esibisce asintoti agli estremi della variabile predittore. La regressione lineare (nei parametri) presuppone una relazione lineare (nei parametri). È possibile aggiungere le trasformazioni del predittore (ad esempio, X^2, X^3) alla combinazione lineare, ma non si avvicinerà comunque alla curva di probabilità abbastanza bene da essere praticamente utile.
   3. La trasformazione della probabilità avviene in due fasi.
      1. Innanzitutto, la probabilità di Risposte = Riproduci viene convertito in probabilità Di Risposte = Riproduci . Cioè, odds = P( Risposte = Riproduci ) / P (non Risposte = Riproduci ) o probabilità = P( Risposta = Riproduci ) / (1 - P( Risposte = Riproduci )). Le probabilità sono limitate da [0,+infinito]. Questo cambiamento è un grande miglioramento per la regressione lineare, ma non abbastanza.
      2. In secondo luogo, le probabilità vengono convertite con la funzione logaritmo (naturale) in log(odds). I limiti di log( odds ) sono [-infinito,+infinito]. Quest'ultima modifica è quella che soddisfa l'ipotesi di una risposta lineare illimitata per l'analisi di regressione.
      3. Il registro (odds) è anche conosciuto come il logit o logit( P( Resprout ) ).
   4. Il modello di regressione logistica è ora log( odds ) = a + bX, una funzione lineare di X, proprio come qualsiasi altra regressione lineare. (Si noti che è possibile includere anche altre variabili predittive, effetti di interazione e poteri, se necessario.)
   5. Il log (odds) viene ritrasformato in probabilità dopo l'adattamento per motivi di grafici e interpretazione.
3. Non sono esattamente sicuro di cosa intendi per "opposto", ma lasciami spiegare i risultati mostrati nel tuo esempio.
   1. Esamina il lato destro della trama del mosaico. Si noti che i due livelli di Risposte appaiono con un segno di spunta che li separa. Questa scala indica il probabilità marginale degli esiti. La distanza dall'origine (0) al segno di graduazione indica la proporzione dei casi con il primo livello, Risposte = Riproduci . La distanza dal segno di graduazione alla parte superiore (1) indica la proporzione dei casi con il secondo livello, Risposte = Nessuno . Se tracciassi una linea orizzontale diritta dal segno di spunta sul lato destro alla scala di probabilità sul lato sinistro, rappresenterebbe l'ipotesi nulla di regressione: la probabilità di Risposte = Riproduci non dipende dal predittore Misura basale .
   2. Esaminare la curva logistica. Indica il probabilità condizionale Quello Risposte = Riproduci . Rappresenta l'ipotesi alternativa della tua regressione: la probabilità di Risposte = Riproduci dipende dal predittore Misura basale . La probabilità che Risposte = Riproduci è vicino allo zero quando Misura basale è vicino a 5 ma questa probabilità sale verso uno quando Misura basale è vicino ai 40

Nel caso in cui tu sia interessato, copriamo tutte le forme di regressione logistica e altri metodi adatti a risposte categoriche nel nostro Software JMP: analisi della risposta discreta corso.

Re: regressione logistica nominale -- L'adattamento logistico e il profiler predittivo appaiono opposti

Ciao, Castiel!

 

Buona sera anche a te.

 

Fare riferimento al capitolo 11 "Modelli di regressione logistica" del libro Fitting Linear Models nel menu Help. I libri di JMP nel menu Guida sono molto utili e dovrebbero aiutare a superare la confusione relativa alle risposte e all'interpretazione dei grafici.

 

Le probabilità adattate di un modello di regressione nominale si sommano sempre a 1. Entrambi i grafici suggeriscono che quando la misura basale è bassa, la probabilità di ricaduta è inferiore; Quando la misura basale è alta, la probabilità di ricrescita è maggiore.

 

Non è quello che stai cercando di dimostrare? I grafici (entrambi) sono coerenti con questa ipotesi.