具有多個結果變數的邏輯迴歸<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我正在對一個資料集進行邏輯回歸分析，其中結果具有多個分類變數。在本例中，我使用在場的總人數（連續變數）來預測長臂猿的行為（行為是分類的）。我試圖使用參數估計來確定哪些特定行為受到人數的影響，但我在互通結果時遇到困難。我可以看到每個單獨行為的結果，並且 Wald 測試可以顯示該行為是否受人數影響，但我列表中按字母順序排列的最後一個行為（發聲）不會輸出任何數字，所以我不知道如何看看這個變數是否受到影響。我是否正確地互通了這些結果？如何查看最後一個行為（發聲）是否受人數影響？
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比這不是真的。 這條路也很不容易。 它比使用“保存”命令更困難。 參數估計值不是優勢或優勢比的估計值。 該註解只是邏輯迴歸問題的重新陳述。 線性預測器位於模型方程式的右側，logit 函數位於左側。 您在參數估計表底部看到的註解只是線性預測變數所使用的 logits 的記錄。
如果儲存此估計表，則必須建立一個列公式來計算每行的 logit 值。 然後，您必須為每個回應等級新增另一個列公式來反向預測機率。 這就是“保存”>“保存機率”命令為您所做的事情。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比感謝您的及時回覆。
除了保存機率公式並自己計算優勢比之外，我還獨立地在多項邏輯模型上顯示的參數估計數據底部看到了“對於結果 A/結果 C、結果 B/結果 C 的對數優勢” “其中結果C 是我的參考結果。我是否可以透過將這些資料轉換為資料表並使用公式 exp(Estimate) 插入新列來計算優勢比？
我發現了一個單獨的帖子也引用了這個 --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
這似乎太容易讓人難以置信了。
再次感謝你。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比點擊平台頂部的紅色三角形並選擇保存 > 保存機率公式。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比嗨馬克，
我正在對具有三個水平的結果變數執行多項邏輯回歸。我一直在試著找出如何找到比值比，最後發現了你之前的答案。
如何保存機率公式？
先感謝您。
回覆：具有多個結果變數的邏輯迴歸有點簡單的基於 GUI 的解決方案：在參數估計表中，我雙擊了該表。 我選擇了“製作成資料表”選項。 JMP 產生資料表後，我建立了一個新列，並將其命名為優勢比。 然後我在“列”選單中選擇了“公式”選項。 進入公式視窗後，我寫了公式：exp（估計）。 輸出是估計的優勢比。 為了再次檢查，我將估計值複製並貼上到 R 並使用 R 中的 exp 函數。 它給出了相同的結果。 華泰
回覆：具有多個結果變數的邏輯迴歸我檢查了我們的學習資源，但沒有發現有關名義邏輯回歸的教程。 （請參閱 JMP 主頁選單上選擇學習 JMP 中的項目。）然後我檢查了我們的 YouTube 帳戶，發現了本教學課程多元邏輯迴歸。 還有JMP 中的邏輯迴歸簡介及教程在YouTube上。 它更全面地涵蓋了邏輯回歸，但僅針對結果。 它不涵蓋多項邏輯迴歸。
我們提供此培訓課程，涵蓋以下主題：分析離散響應。 我們介紹此類模型的起源、使用和解釋，以及如何在 JMP 中執行此迴歸。
回覆：具有多個結果變數的邏輯迴歸我使用的是 JMP 13 Pro，不是學生版。
回覆：具有多個結果變數的邏輯迴歸是否有具有多種結果的邏輯回歸的教學/影片？
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比是的，每一行（個人）都會從賠率公式中得到結果。
是的，您可以使用平均賠率。 使用桌子>概括或者分析>製表取得每個組或子組的結果。
手動計算就像你說的 Pr(A 組) 除以 Pr(不是 A 組) 或其他什麼。 優勢比是不同條件下（治療、未治療）的優勢比。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比我懂了！ 謝謝你！
後續跟進~
當我使用 Prob[X] 列計算賠率 t(Prob[X1] 除以 Prob[X2]) 時，這將給出該賠率個人， 正確的？
當我在論文中報告這一點時，我需要報告每個組別的優勢以及比較組的優勢比（例如，F 治療與 M 治療或未治療）。
當計算小組賠率時，我只需平均賠率對於那個群體？
我意識到這更像是一個統計問題，而不是 JMP 的問題，但大多數程式都會計算群組賠率，因此我找不到有關如何手動執行此操作的其他文件。謝謝你！
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比Lin[X] 欄位包含您擬合的 logit 函數的線性預測變數。 如果您檢查公式，您將看到與邏輯迴歸結果中顯示的相同參數估計值。 除非您需要 logit，否則您不需要它！
線性預測器依序用於計算每個反應等級的機率，即 Prob[X]。 （它來自於求解 p 的 log( p / (1-p) ) = Lin[X]。）此機率對於您的目的最有用。 請注意，如果您選擇圖形 > 刻畫器並選擇 Prob[X]，請務必啟用該功能來擴展中間公式，否則您將根據 Lin[X] 而不是實際的預測變數進行刻畫。
您可以使用新列公式中的 Prob[X] 列來計算您想要的任何賠率，即 Prob[X1] 除以 Prob[X2]。 同樣，您可以根據以這種方式得出的賠率來計算您想要的任何賠率比。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比親愛的馬克，
感謝您的幫忙！我當然希望 JMP 自動執行此操作。 也許在版本 14 中:)
當我保存機率公式時，我得到以下列
Lin [F] Lin [B] 機率 [F] 機率 [B] 機率 [M] 最可能的結果
其中 F、B 和 M 是我的結果，M 是參考類別。
問題：
Lin[ ] 列告訴我什麼？
計算二元邏輯迴歸並不是那麼困難，但我認為這有點棘手。
我如何
- 計算每個人的賠率？
- 計算每個結果類別組的賠率？
一旦我得到了每個結果組的賠率，我只需將這些賠率除以參考組的組合賠率即可獲得賠率比（例如，F 與 M 相比）。 那是對的嗎？
感謝您分享您的統計知識！
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比我想我知道問題是什麼，你引用的例子有一個二進制結果。 然而，聽起來您的數據有兩個以上的級別。 在這種情況下，JMP 不會計算優勢比。 不過，您可以保存機率公式，並用它們計算賠率和賠率比。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比優勢比可用於物流平台（從 Fit Y by X 開始）和標稱邏輯擬合平台（從 Fit Model 開始）。 使用您上面引用的教程範例，我使用第一個平台得到了這個結果：
我使用第二個平台得到這個結果：
請注意，優勢比僅適用於名義回應。
回覆：具有多個結果變數的邏輯迴歸 - JMP 中的優勢比我正在運行多項多項 Logisitc 迴歸，但無法讓 JMP 運算優勢比，如下所示教學使用罐裝資料集。
請按照上述說明進行操作：
當我使用 fit Y by X（是否廣播）時，優勢比選項不會出現（請參見下面的第一和第二個螢幕截圖）。
我可以找到分析器，但我實際上正在尋找比值比，以便我可以將它們與我已經手動計算的比值比進行比較（請參見右側的第三個螢幕截圖）。
有沒有其他人有這個問題？您是否曾經能夠讓 JMP 計算多項多項 Logistic 的優勢比？
感謝您的幫忙！
回覆：具有多個結果變數的邏輯迴歸作為更新，這就是我現在正在做的事情：我使用標準二項式邏輯回歸單獨運行每個行為，將行為發生時的評分為1，所有其他行為的評分為0（僅當名義邏輯回歸顯著時）。我這樣做只是為了常見的行為。這最終成為我想要比較的內容（一種行為與多人的所有其他行為）。我現在遇到的唯一問題是我是否需要對執行多個測試（例如 bonferroni）進行修正。我只運行 5 種行為（餵食、不可見、睡眠、休息、旅行、發聲），所以我不確定是否需要糾正。我知道 bonferroni 可能有點保守，所以我有點猶豫是否要使用它，除非看起來確實有必要。
回覆：具有多個結果變數的邏輯迴歸使用 LRT 來判斷重要性並選擇您的模型。 一旦該部分完成，然後使用模型來計算優勢比。
使用預測刻畫器計算機率，然後計算給定預測變數層級的事件與非事件的幾率。 更改預測因子水平，獲取更新的機率，並計算新的賠率。 然後您可以計算該比率。 透過這種方式，您可以計算任何事物的優勢比。
回覆：具有多個結果變數的邏輯迴歸您能給我更多關於預測分析器的資訊嗎？當我使用擬合模型而不是透過 x 擬合 y 運行測試時，我能夠得到該數字，但我不確定如何估計每個預測的幾率。我得到的是一個像我製作的圖形，但上面也有紅色的水平線。紅色下拉箭頭中有幾個選項，但我不確定哪個選項會測試每個預測。事實上，飲酒是一種罕見的行為，我認為這就是它不穩定的原因。
我在運行優勢比時遇到問題，因為 jmp 不會給我該選項，因為有超過 2 種行為。我認為這就是我需要做的，但我似乎無法讓 jmp 做到這一點。該選項不會出現在下拉三角形上，除非我編寫一個新的資料表，該資料表的回應變數中只有 2 個可能的結果。我可以使用預測分析器，但我不太熟悉它的工作原理。
再次感謝
回覆：具有多個結果變數的邏輯迴歸兩個參數估計不穩定的事實表明 DRINK 可能是不常見的行為。
解釋邏輯迴歸的最簡單方法是透過優勢比 - 即 exp（參數估計）和預測機率。 我不知道 JMP，但如果你有 SAS/STAT，我寫了一篇關於多項式邏輯的論文。它是這裡：
回覆：具有多個結果變數的邏輯迴歸擬合模型中的名目 Logistic 迴歸特性應該會有所幫助。 您可以透過點擊平台頂部的紅色三角形來獲取優勢比。 此外，您還可以使用預測刻畫器來估計任何條件下所有等級的機率，然後計算賠率。 現在更改條件（預測水平）並重複計算。 現在計算優勢比。
回覆：具有多個結果變數的邏輯迴歸就像你已經佈置好了一樣。長臂猿一次只能做一種行為，但它可以做多種行為，例如進食、旅行、發聲、梳理毛髮等。我想做的是看看在場的人數如何影響長臂猿做出某種行為的可能性，例如，當更多的人在場時，長臂猿是否會減少進食的時間。邏輯回歸告訴我整個模型的 p 值，所以我可以看到人數確實影響長臂猿的行為，但我想做的是看看哪些個人行為正在驅動模型 - 我想要某種帶有p 值的統計數據向我展示了哪些行為實際上正在改變。我現在所做的就是查看輸出圖並描述行為如何變化。輸出如下圖所示。我嘗試插入圖形，但沒有成功。但我發現我無法進行優勢比測試，因為我的反應（行為）有兩個以上的變數。
總體人類行為的邏輯擬合
全模型測試
模型 | -對數似然 | DF | 卡方 | 問題>卡方 |
不同之處 | 37.2401 | 11 | 74.48025 | <.0001* |
滿的 | 1162.7796 | | | |
減少 | 1200.0197 | | | |
| |
R 方 (U) | 0.0310 |
AICc | 2371.15 |
商業銀行 | 2468.39 |
觀察結果（或權重總和） | 660 |
| |
| |
| |
措施 | 訓練 | 定義 |
熵 R 方 | 0.0310 | 1-Loglike(模型)/Loglike(0) |
廣義R方 | 0.1096 | (1-(L(0)/L(模型))^(2/n))/(1-L(0)^(2/n)) |
均值對數 p | 1.7618 | Σ -Log(ρ)/n |
均方根誤差 | 0.7987 | √ Σ(y-ρ)²/n |
平均腹肌發育 | 0.7918 | Σ|y-ρ|/n |
誤分類率 | 0.6727 | Σ (ρ≠ρMax)/n |
氮 | 660 | n |
| | |
參數估計
學期 | | 估計 | 標準誤差 | 卡方 | 問題>卡方 |
攔截[喝水] | 不穩定 | 9.3119005 | 1537.0201 | 0.00 | 0.9952 |
人類總數[飲料] | 不穩定 | -13.895268 | 1537.0192 | 0.00 | 0.9928 |
攔截[進給] | | -1.5746952 | 0.2067421 | 58.01 | <.0001* |
總人口[飼料] | | 0.45943506 | 0.0703651 | 42.63 | <.0001* |
攔截[新郎] | | -3.8964691 | 0.7363762 | 28:00 | <.0001* |
人類總數[新郎] | | 0.17142825 | 0.2657919 | 0.42 | 0.5189 |
攔截[新郎接收者] | | -5.9062151 | 1.021258 | 33.45 | <.0001* |
人類總數[新郎接收者] | | 0.60419887 | 0.1604264 | 14.18 | 0.0002* |
攔截[懸掛] | | -3.4626526 | 0.5849713 | 35.04 | <.0001* |
人類總數[Hang] | | 0.187694 | 0.2073532 | 0.82 | 0.3654 |
攔截[不可見] | | -0.9158515 | 0.1862225 | 24.19 | <.0001* |
總人口[不可見] | | 0.35203714 | 0.0696868 | 25.52 | <.0001* |
攔截[其他] | | -7.0115111 | 1.4481919 | 23.44 | <.0001* |
總人口[其他] | | 0.71085044 | 0.1806613 | 15.48 | <.0001* |
攔截[休息-睡眠] | | -2.0491431 | 0.2866187 | 51.11 | <.0001* |
人類總數[休息 - 睡眠] | | 0.25952368 | 0.0987496 | 6.91 | 0.0086* |
攔截[休息-靜止] | | -1.703556 | 0.2215666 | 59.12 | <.0001* |
人類總數[休息 - 靜止] | | 0.40532436 | 0.0739462 | 30.05 | <.0001* |
攔截【自我修飾】 | | -5.34457 | 1.6699724 | 10.24 | 0.0014* |
人類總數[自我修飾] | | 0.09443149 | 0.6681153 | 0.02 | 0.8876 |
攔截[旅行] | | -1.709588 | 0.2321228 | 54.24 | <.0001* |
總人口[旅行] | | 0.34947804 | 0.0784157 | 19.86 | <.0001* |
對於飲料/發聲、餵食/發聲、梳理/發聲、梳理接收者/發聲、懸掛/發聲、不可見/發聲、其他/發聲、休息- 睡眠/發聲、休息- 靜止/發聲、自我梳理/發聲的對數賠率, 旅行/發聲
回覆：具有多個結果變數的邏輯迴歸您無法在一次邏輯運行中使用多個因變數進行邏輯迴歸。 但也許你有一個因變數 - 長臂猿的行為 - 具有多個等級？「行為」如何運作？ 數據是這樣的嗎：
個案 ID 人數 人員行為
1 3 A
2 2 B
3 5 A
4 2 C
ETC。？ 還是每隻長臂猿都會有多種行為？ 還是每隻長臂猿都參與多個案件？ （在這種情況下，您需要某種形式的多層模型，可能使用 GLIMMIX？
回覆：具有多個結果變數的邏輯迴歸我必須承認，我不知道學生版中可用的 JMP 功能子集，但請嘗試這些建議並讓我知道您的發現。
1. 使用 Fit Y by X，啟動 Logistic 平台。 您已經找到了用於判斷顯著性的 Wald 檢定的 p 值。 點擊視窗頂部的紅色三角形並選擇優勢比。 其中兩個出現在參數估計值和 p 值的右側。 這單位優勢比是預測變數 1 個單位變化的比率。 另一個優勢比是預測變數整個範圍（最小值到最大值）的變化。
（注意：如果您啟動具有多個回應的 Logistic，您將在同一視窗中獲得並行模型。 嘗試以下操作：按住 Windows 上的 CTRL 鍵或 Macintosh 上的 Command 鍵，然後按一下紅色三角形。 這樣，將為所有響應計算優勢比，而不是一次詢問一個響應。 這個技巧叫做廣播並且適用於 JMP 中的大多數功能！）
2. 或者，選擇分析 > 擬合模型。 將您的回應指派給 Y 角色，並將您的預測變數新增至效果清單。 點擊“運行”按鈕，您應該獲得與 Logistic 中相同的基本分析，但重要性有所不同。 參數估計使用似然比檢定而不是 Wald 檢定。 另外，點擊頂部的紅色三角形並選擇探查器 > 探查器。 它將出現在視窗底部。 現在，刻畫器會向您顯示每個回應等級的預測機率。 您可以估計預測變數的某個參考水準下的機率，然後估計其他條件下的機率並形成您可能需要的任何優勢比。
Logistic 和 Nominal Logisitic Fit 平台還有更多功能，但我不想一次讓大家不知所措。 如果此解釋有幫助，或者您還有其他困難或問題，請告訴我。
回覆：具有多個結果變數的邏輯迴歸謝謝您的幫忙。我有 JMP 學生許可證。我找不到優勢比測試，也無法弄清楚如何將分析器與非數字值一起使用。你知道我如何存取這些功能嗎？我只是運行 y by x 擬合分析，所以我也不知道如何表明我正在運行名目邏輯回歸。
回覆：具有多個結果變數的邏輯迴歸如果反應變數的等級超過兩個，則您正在使用序數或名目邏輯迴歸。 在這兩種情況下，累積 logits 或廣義 logits 分別使用最後一個等級的賠率，因此無法估計。 因此，如果有 k 個級別，則有 k-1 個 logits 及其相關參數。
解釋這些 Logits 的最佳方法是透過優勢比（相對於最後一個層級）或使用特定的視覺化，例如 JMP 中的預測刻畫器。
