Régression logistique avec plusieurs variables de résultat<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />J'exécute des analyses de régression logistique sur un ensemble de données où le résultat comporte plusieurs variables catégorielles.Dans ce cas, j'utilise le nombre total d'humains présents (variable continue) pour prédire le comportement des gibbons (les comportements sont catégoriques).J'essaie d'utiliser les estimations de paramètres pour déterminer quels comportements spécifiques sont affectés par le nombre d'humains, mais j'ai du mal à interagir les résultats.Je peux voir les résultats pour chaque comportement individuel et le test de Wald pour montrer si ce comportement est affecté par le nombre de personnes, mais le dernier comportement par ordre alphabétique de ma liste (vocaliser) ne génère aucun chiffre, donc je ne sais pas comment le faire. voir si cette variable est affectée.Est-ce que j'interprète correctement ces résultats ?Comment puis-je voir si le dernier comportement (vocaliser) est affecté par le nombre de personnes ?
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPCe n'est pas vrai. Cette voie n’est pas non plus facile du tout. C'est plus difficile que d'utiliser la commande Enregistrer. Les estimations des paramètres ne sont pas des estimations des cotes ou des rapports de cotes. Cette note n’est qu’une reformulation du problème de régression logistique. Vous avez le prédicteur linéaire sur le côté droit de l'équation du modèle et la fonction logit sur le côté gauche. La note que vous voyez au bas du tableau Estimations des paramètres n'est qu'un enregistrement des logits utilisés avec les prédicteurs linéaires.
Si vous enregistrez ce tableau d'estimations, vous devez alors créer une formule de colonne pour calculer la valeur logit de chaque ligne. Ensuite, vous devez ajouter une autre formule de colonne pour chaque niveau de réponse afin de rétro-prédire les probabilités. C'est ce que fait pour vous la commande Enregistrer > Enregistrer les probabilités.
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPMerci pour votre réponse rapide.
Alternativement à la sauvegarde des formules de probabilité et au calcul moi-même des rapports de cotes, j'avais vu indépendamment au bas de l'affichage des données d'estimation des paramètres sur mon modèle logistique multinomial qui dit "pour le log des probabilités du résultat A/résultat C, du résultat B/du résultat C". " où le résultat C est mon résultat de référence.Est-il possible que je puisse simplement calculer le rapport de cotes en transformant ces données en un tableau de données, en insérant une nouvelle colonne avec la formule exp(Estimation) ?
J'ai trouvé un article séparé qui fait également référence à cela --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
Cela semble presque trop facile pour être vrai.
Merci encore.
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPCliquez sur le triangle rouge en haut de la plateforme et sélectionnez Enregistrer > Enregistrer la formule de probabilité .
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPSalut Mark,
J'effectue une régression logistique multinomiale pour une variable de résultat à trois niveaux.J'ai essayé de comprendre comment trouver les rapports de cotes et je suis finalement tombé sur cette réponse précédente de votre part.
Comment sauvegarder les formules de probabilité ?
Merci d'avance.
Re : Régression logistique avec plusieurs variables de résultatUne solution un peu simpliste basée sur une interface graphique : dans le tableau des estimations de paramètres, j'ai double-cliqué sur le tableau. J'ai choisi l'option "Créer en table de données". Une fois que JMP a produit le tableau de données, j'ai créé une nouvelle colonne que j'ai nommée rapport de cotes. Ensuite, j'ai choisi l'option formule dans le menu Cols. Une fois dans la fenêtre de formule, j'ai écrit la formule : exp(Estimate). Le résultat était le rapport de cotes pour les estimations. Pour vérifier, j'ai copié-collé les estimations dans R et utilisé la fonction exp dans R. Cela a donné les mêmes résultats. HTH
Re : Régression logistique avec plusieurs variables de résultatJ'ai vérifié nos ressources d'apprentissage mais n'ai trouvé aucun didacticiel sur la régression logistique nominale. (Voir les éléments de la sélection Learning JMP dans le menu de la page d'accueil de JMP.) J'ai ensuite consulté notre compte YouTube et trouvé ce didacticiel sur Régression logistique multiple . Il y a aussi Introduction à la régression logistique avec didacticiel dans JMP sur Youtube. Il couvre la régression logistique de manière plus approfondie, mais uniquement pour le résultat. Il ne couvre pas la régression logistique multinomiale.
Nous vous proposons cette formation, qui aborde ce thème : Analyser les réponses discrètes . Nous abordons l'origine, l'utilisation et l'interprétation de tels modèles ainsi que la façon d'effectuer cette régression dans JMP.
Re : Régression logistique avec plusieurs variables de résultatJ'utilise JMP 13 Pro, pas une version étudiant.
Re : Régression logistique avec plusieurs variables de résultatExiste-t-il des didacticiels/vidéos sur la régression logistique à résultats multiples ?
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPOui, chaque ligne (individuelle) obtiendra un résultat de la formule des cotes.
Oui, vous pouvez utiliser les cotes moyennes. Utiliser Tableau > Résumé ou Analyser > Tabuler pour obtenir les résultats pour chaque groupe ou sous-groupe.
Le calcul manuel est, comme vous le dites, Pr (groupe A) divisé par Pr (pas le groupe A) ou autre. L'odds ratio serait le rapport des probabilités dans différentes conditions (traitées, non traitées).
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPJe vois! Merci!
Un suivi ~
Lorsque j'utilise les colonnes Prob[X] pour calculer les cotes t(Prob[X1] divisé par Prob[X2]), cela me donnera les cotes pour cela individuel , correct?
Lorsque je signalerai cela dans un article, je devrai rapporter les probabilités pour chaque groupe et le rapport de probabilités pour les groupes comparés (F traité par rapport à M traité ou non traité, par exemple).
Lorsque je calcule les cotes de groupe, dois-je simplement faire la moyenne des chances pour ce groupe ?
Je me rends compte qu'il s'agit plus d'une question de statistiques que pour JMP en soi, mais la plupart des programmes calculent les cotes de groupe, je ne trouve donc pas d'autre documentation sur la façon de le faire à la main.Merci!
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPLes colonnes Lin[X] contiennent le prédicteur linéaire de la fonction logit que vous ajustez. Si vous examinez la formule, vous verrez les mêmes estimations de paramètres que celles présentées dans les résultats de la régression logistique. Vous n'en avez pas besoin sauf si vous avez besoin du logit !
Le prédicteur linéaire est, à son tour, utilisé pour calculer la probabilité de chaque niveau de réponse sous la forme Prob[X]. (Cela vient de la résolution de log( p / (1-p) ) = Lin[X] for p.) Cette probabilité est la plus utile pour votre objectif. Notez que si vous sélectionnez Graph > Profiler et sélectionnez Prob[X], assurez-vous d'activer la fonctionnalité permettant de développer les formules intermédiaires, sinon vous effectuerez un profil sur Lin[X] au lieu de la variable prédictive réelle.
Vous pouvez utiliser les colonnes Prob[X] dans de nouvelles formules de colonnes pour calculer les cotes souhaitées sous la forme Prob[X1] divisée par Prob[X2]. De même, vous pouvez ensuite calculer le rapport de cotes de votre choix à partir des cotes dérivées de cette manière.
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPCher Mark,
Merci pour votre aide!J'aimerais certainement que JMP le fasse automatiquement. Peut-être dans la version 14 
Lorsque j'enregistre les formules prob, j'obtiens les colonnes suivantes
Lin [F] Lin [B] Prob [F] Prob [B] Prob [M] Résultat le plus probable
Où F, B et M sont mes résultats et M est la catégorie de référence.
Des questions:
Que me disent les colonnes Lin[ ] ?
Calculer cela pour la régression logistique binaire ne serait pas si difficile, mais ici, je pense que c'est un peu plus délicat.
Comment puis-je
- calculer les chances pour chaque individu ?
- calculer les chances pour chaque groupe de catégories de résultats ?
Une fois que j'ai les cotes pour chaque groupe de résultats, je les divise simplement par les cotes combinées du groupe de référence pour obtenir les rapports de cotes (de F par rapport à M, par exemple). Est-ce exact?
Merci d'avoir partagé votre savoir-faire statistique !
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPJe pense savoir quel est le problème. L'exemple que vous avez cité a un résultat binaire. Il semble cependant que vos données comportent plus de deux niveaux. JMP ne calcule pas les rapports de cotes dans un tel cas. Vous pouvez cependant enregistrer les formules de probabilité et calculer les cotes, puis les rapports de cotes avec elles.
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPLes rapports de cotes sont disponibles à la fois dans La logistique plate-forme (en commençant par Fit Y by X) et la Ajustement logistique nominal plate-forme (en commençant par Fit Model). En utilisant l'exemple de tutoriel que vous avez cité ci-dessus, j'obtiens ce résultat en utilisant la première plateforme :
J'obtiens ce résultat en utilisant la deuxième plateforme :
Notez que les rapports de cotes ne sont disponibles que pour une réponse nominale.
Re : Régression logistique avec plusieurs variables de résultat - Rapports de cotes dans JMPJ'exécute une régression logistique multinomiale multiple et je n'arrive pas à demander à JMP de calculer les rapports de cotes comme indiqué dans tutoriels en utilisant des ensembles de données prédéfinis.
En suivant les instructions ci-dessus :
Lorsque j'utilise fit Y by X (diffusé ou non), l'option de rapport de cotes ne s'affiche pas (voir la première et la deuxième captures d'écran ci-dessous).
Je peux trouver le profileur, mais je cherche vraiment des rapports de cotes pour pouvoir les comparer à ceux que j'ai déjà calculés à la main (voir troisième capture d'écran à droite).
Quelqu'un d'autre a-t-il eu ce problème?Avez-vous déjà réussi à demander à JMP de calculer les rapports de cotes pour une logistique multinomiale multiple ?
Merci pour votre aide!
Re : Régression logistique avec plusieurs variables de résultatEn guise de mise à jour, voici ce que je fais maintenant : j'exécute chaque comportement individuellement en utilisant une régression logistique binomiale standard, en notant les comportements à 1 pour le moment où ils se sont produits et à 0 pour tous les autres comportements (uniquement lorsque la régression logistique nominale était significative).Je ne fais cela que pour les comportements courants.Cela finit par être ce que je voulais comparer (un comportement contre tous les autres sur le nombre de personnes).Le seul problème que je rencontre actuellement est de savoir si je dois ou non effectuer une correction pour exécuter plusieurs tests (tels que bonferroni).Je n'utilise que 5 comportements (nourrir, non visible, dormir, se reposer, voyager, vocaliser), donc je ne sais pas si la correction est nécessaire.Je sais que le bonferroni peut être un peu conservateur, donc j'hésite un peu à l'utiliser à moins que cela ne semble vraiment nécessaire.
Re : Régression logistique avec plusieurs variables de résultatUtilisez les TLR pour juger de l’importance et choisir votre modèle. Une fois cette partie terminée, utilisez le modèle pour calculer les rapports de cotes.
Utilisez le profileur de prédiction pour calculer les probabilités, puis les probabilités d'un événement par rapport au non-événement pour un niveau de prédicteur donné. Modifiez le niveau du prédicteur, obtenez les probabilités mises à jour et calculez les nouvelles cotes. Vous pouvez ensuite calculer le ratio. De cette façon, vous pouvez calculer le rapport de cotes pour n'importe quoi.
Re : Régression logistique avec plusieurs variables de résultatPouvez-vous me donner plus d'informations sur le profileur de prédicteurs ?Je peux obtenir ce chiffre lorsque j'exécute le test avec un modèle d'ajustement au lieu d'ajuster y par x, mais je ne sais pas comment estimer les chances pour chaque prédiction.Ce que j'ai obtenu, c'est une figure comme celle que j'ai faite, mais avec également des lignes horizontales rouges.Il existe plusieurs options dans la flèche déroulante rouge, mais je ne sais pas laquelle teste chaque prédiction.Et en effet, boire était un comportement rare, j'ai supposé que c'était pour cela qu'il était instable.
J'ai du mal à exécuter le rapport de cotes car jmp ne me donnera pas cette option car il y a plus de 2 comportements.Je pense que c'est ce que je dois faire, mais je n'arrive pas à forcer jmp à le faire.L'option n'apparaît pas dans le triangle déroulant, sauf si je crée une nouvelle feuille de données qui n'a que 2 résultats possibles dans la variable de réponse.Je peux utiliser le profileur de prédicteurs, mais je ne connais pas vraiment son fonctionnement.
Merci encore
Re : Régression logistique avec plusieurs variables de résultatLe fait que les estimations de deux paramètres soient instables indique que DRINK était probablement un comportement peu courant.
Le moyen le plus simple d'interpréter la régression logistique consiste à utiliser les rapports de cotes, qui sont des exp (estimations de paramètres) et des probabilités prédites. Je ne connais pas JMP, mais si vous avez SAS/STAT, j'ai écrit un article sur la logistique multinomiale.C'est ici:
Re : Régression logistique avec plusieurs variables de résultatLa personnalité de régression logistique nominale dans Fit Model devrait aider. Vous pouvez obtenir les odds ratios en cliquant sur le triangle rouge en haut de la plateforme. En outre, vous pouvez utiliser le profileur de prédiction pour estimer la probabilité de tous les niveaux pour n'importe quelle condition, puis calculer les probabilités. Modifiez maintenant la condition (niveau du prédicteur) et répétez le calcul. Calculez maintenant le rapport de cotes.
Re : Régression logistique avec plusieurs variables de résultatC'est comme si vous l'aviez présenté.Le gibbon n'effectue qu'un seul comportement à la fois, mais il peut effectuer plusieurs comportements, tels que se nourrir, voyager, vocaliser, se toiletter, etc.Ce que j'essaie de faire, c'est de voir comment le nombre de personnes présentes affecte la probabilité que le gibbon adopte un certain comportement, par exemple, le gibbon réduit-il le temps passé à se nourrir lorsque davantage de personnes sont présentes.La régression logistique me donne une valeur ap pour l'ensemble du modèle, donc je peux voir que le nombre de personnes affecte le comportement des gibbons, mais ce que j'aimerais faire, c'est voir quels comportements individuels conduisent le modèle - j'aimerais une sorte de des statistiques avec des valeurs p qui me montrent quels comportements changent réellement.Tout ce que je fais maintenant, c'est examiner le chiffre de sortie et décrire comment les comportements changent.Voici à quoi ressemble le résultat.J'ai essayé d'insérer la figurine, mais cela ne fonctionnait pas.J'ai cependant compris que je ne peux pas faire le test du rapport de cotes car ma réponse (comportement) comporte plus de 2 variables.
Ajustement logistique du comportement de la part des humains totaux
Test du modèle entier
Modèle | -LogLikelihood | DF | Chi carré | Prob>ChiSq |
Différence | 37.2401 | 11 | 74.48025 | <.0001* |
Complet | 1162.7796 | | | |
Réduit | 1200.0197 | | | |
| |
Carré (U) | 0,0310 |
AICc | 2371.15 |
BIC | 2468.39 |
Observations (ou somme des poids) | 660 |
| |
| |
| |
Mesure | Entraînement | Définition |
Entropie RSquare | 0,0310 | 1-Loglike(modèle)/Loglike(0) |
R-carré généralisé | 0,1096 | (1-(L(0)/L(modèle))^(2/n))/(1-L(0)^(2/n)) |
Moyenne -Log p | 1,7618 | ∑ -Log(ρ)/n |
RMSE | 0,7987 | √ ∑(oui-ρ)²/n |
Développement moyen des abdominaux | 0,7918 | ∑ |y-ρ|/n |
Taux de classification erronée | 0,6727 | ∑ (ρ≠ρMax)/n |
N | 660 | n |
| | |
Estimations des paramètres
Terme | | Estimation | Erreur standard | Chi carré | Prob>ChiSq |
Intercepter[Boire] | Instable | 9.3119005 | 1537.0201 | 0,00 | 0,9952 |
humains totaux[Boisson] | Instable | -13.895268 | 1537.0192 | 0,00 | 0,9928 |
Intercepter[Flux] | | -1.5746952 | 0,2067421 | 58.01 | <.0001* |
humains totaux[Alimentation] | | 0,45943506 | 0,0703651 | 42,63 | <.0001* |
Intercepter[Marié] | | -3.8964691 | 0,7363762 | 28h00 | <.0001* |
humains totaux[Marié] | | 0,17142825 | 0,2657919 | 0,42 | 0,5189 |
Interception[Destinataire du marié] | | -5.9062151 | 1.021258 | 33h45 | <.0001* |
humains totaux [Destinataire du marié] | | 0,60419887 | 0,1604264 | 14h18 | 0,0002* |
Intercepter[Suspendre] | | -3.4626526 | 0,5849713 | 35.04 | <.0001* |
humains totaux[Hang] | | 0,187694 | 0,2073532 | 0,82 | 0,3654 |
Intercepter[Non visible] | | -0.9158515 | 0,1862225 | 24h19 | <.0001* |
humains totaux[Non visible] | | 0,35203714 | 0,0696868 | 25.52 | <.0001* |
Intercepter[Autre] | | -7.0115111 | 1.4481919 | 23h44 | <.0001* |
humains totaux[Autre] | | 0.71085044 | 0,1806613 | 15h48 | <.0001* |
Intercepter[Repos - Sommeil] | | -2.0491431 | 0,2866187 | 51.11 | <.0001* |
humains totaux[Repos - Sommeil] | | 0,25952368 | 0,0987496 | 6.91 | 0,0086* |
Intercepter[Repos - Immobile] | | -1.703556 | 0,2215666 | 59.12 | <.0001* |
humains totaux[Repos - Immobile] | | 0,40532436 | 0,0739462 | 30.05 | <.0001* |
Intercepter[Auto-entretien] | | -5.34457 | 1.6699724 | 10.24 | 0,0014* |
humains totaux [Auto-toilettage] | | 0,09443149 | 0,6681153 | 0,02 | 0,8876 |
Intercepter[Voyage] | | -1.709588 | 0,2321228 | 54.24 | <.0001* |
humains totaux[Voyage] | | 0,34947804 | 0,0784157 | 19.86 | <.0001* |
Pour les cotes de journal de Boire/Vocaliser, Nourrir/Vocaliser, Groom/Vocaliser, Groom Destinataire/Vocaliser, Suspendre/Vocaliser, Non visible/Vocaliser, Autre/Vocaliser, Repos - Sommeil/Vocaliser, Repos - Immobile/Vocaliser, Auto-toilettage/Vocaliser , Voyager/Vocaliser
Re : Régression logistique avec plusieurs variables de résultatVous ne pouvez pas effectuer de régression logistique avec plusieurs variables dépendantes en une seule opération logistique. Mais peut-être avez-vous UNE variable dépendante – le comportement du gibbon – avec plusieurs niveaux ?Comment le « comportement » est-il opérationnalisé ? Les données ressemblent-elles à ceci :
Numéro d'identification du cas Nombre de personnes Comportement
1 3 UN
2 2B
3 5 UNE
4 2C
etc.? Ou est-ce que chaque gibbon adopte plusieurs comportements ? Ou chaque gibbon est-il engagé dans plusieurs cas ? (dans ce cas, vous auriez besoin d'une forme de modèle multi-niveaux, probablement avec GLIMMIX ?
Re : Régression logistique avec plusieurs variables de résultatJe dois admettre que je ne connais pas le sous-ensemble de fonctionnalités JMP disponibles dans la version étudiant, mais essayez ces suggestions et faites-moi savoir ce que vous trouvez.
1. Grâce à Fit Y by X, vous lancez une plateforme logistique. Vous avez déjà trouvé les valeurs p pour les tests de Wald afin de juger de la signification. Cliquez sur le triangle rouge en haut de la fenêtre et sélectionnez Rapports de cotes. Deux d'entre eux apparaissent à droite des estimations des paramètres et des valeurs p. Le Rapport de cotes unitaire est le rapport pour 1 changement d'unité dans le prédicteur. L'autre Rapport de cotes est pour le changement sur toute la plage (du minimum au maximum) de votre prédicteur.
(Remarque : si vous lancez Logistic avec plusieurs réponses, vous obtiendrez des modèles parallèles dans la même fenêtre. Essayez ceci : maintenez la touche CTRL sous Windows ou Commande sous Macintosh enfoncée, puis cliquez sur le triangle rouge. De cette façon, les rapports de cotes seront calculés pour toutes les réponses, au lieu de demander une réponse à la fois. Cette astuce s'appelle diffusion et fonctionne avec la plupart des fonctionnalités de JMP !)
2. Vous pouvez également sélectionner Analyser > Ajuster le modèle. Attribuez vos réponses au rôle Y et ajoutez votre prédicteur à la liste des effets. Cliquez sur le bouton Exécuter et vous devriez obtenir la même analyse de base que celle de Logistic, mais avec des différences d'importance. Les estimations des paramètres utilisent des tests de rapport de vraisemblance au lieu des tests de Wald. Cliquez également sur le triangle rouge en haut et sélectionnez Profileurs > Profiler. Il apparaîtra en bas de la fenêtre. Le profileur vous montre désormais les probabilités prédites de chaque niveau de réponse. Vous pouvez estimer les probabilités sous un certain niveau de référence du prédicteur, puis estimer les probabilités dans d'autres conditions et former le rapport de cotes dont vous pourriez avoir besoin.
Il existe de nombreuses autres fonctionnalités dans les plateformes Logistic et Nominal Logisitic Fit, mais je ne veux pas vous submerger toutes en même temps. S'il vous plaît laissez-moi savoir si cette explication a été utile ou si vous avez d'autres difficultés ou questions.
Re : Régression logistique avec plusieurs variables de résultatMerci pour l'aide.J'ai une licence étudiant de JMP.Je ne trouve pas le test du rapport de cotes et je n'arrive pas à comprendre comment utiliser le profileur avec des valeurs non numériques.Savez-vous comment puis-je accéder à ces fonctions ?J'exécute simplement une analyse d'ajustement y par x, donc je ne sais pas non plus comment indiquer que j'exécute une régression logistique nominale.
Re : Régression logistique avec plusieurs variables de résultatSi vous avez plus de deux niveaux dans les variables de réponse, vous utilisez alors la régression logistique ordinale ou nominale. Dans ces deux cas, les logits cumulés ou les logits généralisés, respectivement, utilisent le dernier niveau pour les cotes, ils ne peuvent donc pas être estimés. Donc, si vous avez k niveaux, alors il y a k-1 logits avec leurs paramètres associés.
La meilleure façon d'interpréter ces logits est soit d'utiliser des rapports de cotes (par rapport au dernier niveau), soit d'utiliser une visualisation spécifique, telle que le profileur de prédiction de JMP.
