Logistische Regression mit mehreren Ergebnisvariablen<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich führe logistische Regressionsanalysen für einen Datensatz durch, dessen Ergebnis mehrere kategoriale Variablen aufweist.In diesem Fall verwende ich die Gesamtzahl der anwesenden Menschen (kontinuierliche Variable), um das Verhalten von Gibbons vorherzusagen (das Verhalten ist kategorisch).Ich versuche, mithilfe der Parameterschätzungen zu bestimmen, welche spezifischen Verhaltensweisen von der Anzahl der Menschen beeinflusst werden, habe jedoch Probleme beim Interoperieren der Ergebnisse.Ich kann die Ergebnisse für jedes einzelne Verhalten und den Wald-Test sehen, um zu zeigen, ob dieses Verhalten von der Anzahl der Personen beeinflusst wird, aber das letzte Verhalten in alphabetischer Reihenfolge auf meiner Liste (Vokalisierung) gibt keine Zahlen aus, daher weiß ich nicht, wie das geht Überprüfen Sie, ob diese Variable betroffen ist.Interoperiere ich diese Ergebnisse richtig?Wie kann ich feststellen, ob das letzte Verhalten (Vokalisierung) von der Anzahl der Personen beeinflusst wird?
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPEs ist nicht wahr. Auch dieser Weg ist gar nicht so einfach. Dies ist schwieriger als die Verwendung des Befehls „Speichern“. Bei den Parameterschätzungen handelt es sich nicht um Schätzungen der Quoten oder Quotenverhältnisse. Dieser Hinweis ist lediglich eine Neuformulierung des Problems der logistischen Regression. Sie haben den linearen Prädiktor auf der rechten Seite der Modellgleichung und die Logit-Funktion auf der linken Seite. Der Hinweis, den Sie unten in der Tabelle „Parameterschätzungen“ sehen, ist lediglich eine Aufzeichnung der Logits, die mit den linearen Prädiktoren verwendet wurden.
Wenn Sie diese Schätzungstabelle speichern, müssen Sie eine Spaltenformel erstellen, um den Logit-Wert für jede Zeile zu berechnen. Dann müssen Sie für jede Antwortebene eine weitere Spaltenformel hinzufügen, um die Wahrscheinlichkeiten rückzuvorhersagen. Genau das erledigt der Befehl „Speichern“ > „Wahrscheinlichkeiten speichern“.
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPDanke für die schnelle Antwort.
Als Alternative zum Speichern der Wahrscheinlichkeitsformeln und zum Berechnen der Quotenverhältnisse selbst hatte ich unabhängig davon unten in der Parameterschätzungsdatenanzeige meines multinomialen Logistikmodells gesehen, dass es heißt „für logarithmische Quoten von Ergebnis A/Ergebnis C, Ergebnis B/Ergebnis C“. „wobei Ergebnis C mein Referenzergebnis ist.Ist es möglich, dass ich das Quotenverhältnis einfach berechnen kann, indem ich diese Daten in eine Datentabelle umwandele und eine neue Spalte mit der Formel exp(Schätzung) einfüge?
Ich habe einen separaten Beitrag gefunden, der ebenfalls darauf verweist --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
Es scheint fast zu einfach, um wahr zu sein.
Danke nochmal.
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPKlicken Sie auf das rote Dreieck oben auf der Plattform und wählen Sie aus Speichern > Wahrscheinlichkeitsformel speichern .
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPHallo Mark,
Ich führe eine multinomiale logistische Regression für eine Ergebnisvariable mit drei Ebenen durch.Ich habe versucht herauszufinden, wie ich die Quotenverhältnisse ermitteln kann, und bin schließlich auf diese vorherige Antwort von Ihnen gestoßen.
Wie speichere ich die Wahrscheinlichkeitsformeln?
Vielen Dank im Voraus.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenEine etwas vereinfachte GUI-basierte Lösung: In der Tabelle mit den Parameterschätzungen habe ich doppelt auf die Tabelle geklickt. Ich habe die Option „In Datentabelle umwandeln“ gewählt. Nachdem JMP die Datentabelle erstellt hatte, erstellte ich eine neue Spalte, die ich „Odds Ratio“ nannte. Dann habe ich im Menü „Cols“ die Option „Formel“ ausgewählt. Sobald ich mich im Formelfenster befand, schrieb ich die Formel: exp(Estimate). Die Ausgabe war das Quotenverhältnis für die Schätzungen. Um dies noch einmal zu überprüfen, habe ich die Schätzungen kopiert, in R eingefügt und die exp-Funktion in R verwendet. Es ergab die gleichen Ergebnisse. HTH
Betreff: Logistische Regression mit mehreren ErgebnisvariablenIch habe unsere Lernressourcen überprüft, aber keine Tutorials zur nominalen logistischen Regression gefunden. (Siehe Elemente aus der Auswahl von JMP lernen im Menü der JMP-Startseite.) Ich habe dann in unserem YouTube-Konto nachgesehen und dieses Tutorial dazu gefunden Multiple logistische Regression . Es gibt auch Einführung in die logistische Regression mit Tutorial in JMP auf Youtube. Die logistische Regression wird ausführlicher behandelt, jedoch nur für das Ergebnis. Die multinomiale logistische Regression wird nicht abgedeckt.
Wir bieten diesen Schulungskurs an, der dieses Thema abdeckt: Analysieren diskreter Antworten . Wir behandeln den Ursprung, die Verwendung und die Interpretation solcher Modelle sowie die Durchführung dieser Regression in JMP.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenIch verwende JMP 13 Pro, keine Studentenversion.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenGibt es Tutorials/Videos zur logistischen Regression mit mehreren Ergebnissen?
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPJa, jede Zeile (einzeln) erhält ein Ergebnis aus der Formel für die Quoten.
Ja, Sie können die Durchschnittsquote verwenden. Verwenden Tisch > Zusammenfassung oder Analysieren > Tabellieren um die Ergebnisse für jede Gruppe oder Untergruppe zu erhalten.
Die Handberechnung ist, wie Sie sagen, Pr(Gruppe A) geteilt durch Pr(nicht Gruppe A) oder was auch immer. Das Odds Ratio wäre das Verhältnis der Odds unter verschiedenen Bedingungen (behandelt, unbehandelt).
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPIch verstehe! Danke schön!
Ein Follow-up~
Wenn ich die Spalten „Prob[X]“ verwende, um die Quote t(Prob[X1] dividiert durch Prob[X2]) zu berechnen, erhalte ich die Quote dafür Individuell , richtig?
Wenn ich darüber in einer Arbeit berichte, muss ich die Chancen für jede Gruppe und das Chancenverhältnis für die verglichenen Gruppen angeben (z. B. F behandelt im Vergleich zu M behandelt oder unbehandelt).
Bei der Berechnung der Gruppenquoten mache ich das einfach Durchschnitt der Chancen für diese Gruppe?
Mir ist klar, dass es sich eher um eine statistische Frage handelt als um JMP, aber die meisten Programme berechnen Gruppenquoten, sodass ich keine andere Dokumentation dazu finden kann, wie man das von Hand macht.Danke schön!
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPDie Lin[X]-Spalten enthalten den linearen Prädiktor für die von Ihnen angepasste Logit-Funktion. Wenn Sie die Formel untersuchen, werden Sie dieselben Parameterschätzungen sehen, die in den Ergebnissen der logistischen Regression gezeigt wurden. Sie brauchen es nicht, es sei denn, Sie brauchen das Logit!
Der lineare Prädiktor wird wiederum verwendet, um die Wahrscheinlichkeit jedes Antwortniveaus als Prob[X] zu berechnen. (Sie ergibt sich aus der Lösung von log( p / (1-p) ) = Lin[X] nach p.) Diese Wahrscheinlichkeit ist für Ihren Zweck am nützlichsten. Beachten Sie, dass Sie bei Auswahl von „Diagramm > Profiler“ und „Prob[X]“ unbedingt die Funktion zum Erweitern der Zwischenformeln aktivieren müssen, andernfalls erstellen Sie ein Profil anhand von Lin[X] anstelle der eigentlichen Prädiktorvariablen.
Sie können die Prob[X]-Spalten in neuen Spaltenformeln verwenden, um beliebige Quoten als Prob[X1] dividiert durch Prob[X2] zu berechnen. Ebenso können Sie dann aus den so abgeleiteten Quoten jedes gewünschte Quotenverhältnis berechnen.
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPLieber Mark,
Vielen Dank für Ihre Hilfe!Ich wünschte auf jeden Fall, dass JMP dies automatisch tun würde. Vielleicht in Version 14 
Wenn ich die Prob-Formeln speichere, erhalte ich die folgenden Spalten
Lin [F] Lin [B] Wahrscheinlich [F] Wahrscheinlich [B] Wahrscheinlich [M] Wahrscheinlichstes Ergebnis
Wobei F, B und M meine Ergebnisse sind und M die Referenzkategorie ist.
Fragen:
Was sagen mir die Lin[ ]-Spalten?
Dies für die binäre logistische Regression zu berechnen, wäre nicht allzu schwierig, aber hier ist es meiner Meinung nach etwas schwieriger.
Wie mache ich
- die Chancen für jeden Einzelnen berechnen?
- die Quoten für jede Ergebniskategoriegruppe berechnen?
Sobald ich die Quoten für jede Ergebnisgruppe habe, dividiere ich diese einfach durch die kombinierten Quoten für die Referenzgruppe, um die Quotenverhältnisse zu erhalten (z. B. von F im Vergleich zu M). Ist das korrekt?
Vielen Dank für die Weitergabe Ihres Statistik-Know-hows!
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPIch glaube, ich weiß, wo das Problem liegt. Das von Ihnen zitierte Beispiel hat ein binäres Ergebnis. Es hört sich jedoch so an, als hätten Ihre Daten mehr als zwei Ebenen. JMP berechnet in einem solchen Fall die Quotenverhältnisse nicht. Sie können die Wahrscheinlichkeitsformeln jedoch speichern und daraus die Quoten und dann die Quotenverhältnisse berechnen.
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPDie Quotenverhältnisse sind in beiden verfügbar Logistik Plattform (beginnend mit Fit Y by X) und die Nominelle logistische Passform Plattform (beginnend mit Fit Model). Anhand des Tutorialbeispiels, das Sie oben zitiert haben, erhalte ich dieses Ergebnis mit der ersten Plattform:
Dieses Ergebnis erhalte ich mit der zweiten Plattform:
Beachten Sie, dass Quotenverhältnisse nur für eine nominale Antwort verfügbar sind.
Betreff: Logistische Regression mit mehreren Ergebnisvariablen – Quotenverhältnisse in JMPIch führe eine multiple multinomiale logistische Regression durch und kann JMP nicht dazu bringen, die Quotenverhältnisse wie in gezeigt zu berechnen Tutorials Verwendung vorgefertigter Datensätze.
Befolgen Sie die obigen Anweisungen:
Wenn ich „Y nach
Ich kann den Profiler finden, aber ich suche wirklich nach Quotenverhältnissen, damit ich sie mit denen vergleichen kann, die ich bereits von Hand berechnet habe (siehe dritter Screenshot rechts).
Hatte noch jemand dieses Problem?Konnten Sie JMP jemals dazu bringen, Quotenverhältnisse für eine multiple multinomiale Logistik zu berechnen?
Vielen Dank für Ihre Hilfe!
Betreff: Logistische Regression mit mehreren ErgebnisvariablenAls Update mache ich jetzt Folgendes: Ich führe jedes Verhalten einzeln mit einer standardmäßigen binomialen logistischen Regression aus und bewerte Verhaltensweisen mit 1 für den Zeitpunkt ihres Auftretens und 0 für alle anderen Verhaltensweisen (nur wenn die nominale logistische Regression signifikant war).Ich mache das nur wegen allgemeiner Verhaltensweisen.Dies ist letztendlich das, was ich vergleichen wollte (ein Verhalten gegenüber allen anderen über die Anzahl der Personen).Das einzige Problem, das ich jetzt habe, ist, ob ich eine Korrektur vornehmen muss, um mehrere Tests auszuführen (z. B. Bonferroni).Ich verwende nur 5 Verhaltensweisen (Füttern, nicht sichtbar, schlafen, ausruhen, reisen, laut sprechen), daher bin ich mir nicht sicher, ob eine Korrektur erforderlich ist.Ich weiß, dass Bonferroni ein wenig konservativ sein kann, daher zögere ich ein wenig, es zu verwenden, es sei denn, es scheint wirklich notwendig zu sein.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenVerwenden Sie die LRTs, um die Bedeutung zu beurteilen und Ihr Modell auszuwählen. Sobald dieser Teil erledigt ist, verwenden Sie das Modell, um die Quotenverhältnisse zu berechnen.
Verwenden Sie den Vorhersageprofiler, um die Wahrscheinlichkeiten und dann die Chancen eines Ereignisses im Vergleich zu Nicht-Ereignissen für eine bestimmte Prädiktorebene zu berechnen. Ändern Sie die Prädiktorstufe, rufen Sie die aktualisierten Wahrscheinlichkeiten ab und berechnen Sie die neuen Quoten. Anschließend können Sie das Verhältnis berechnen. Auf diese Weise können Sie das Quotenverhältnis für alles berechnen.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenKönnen Sie mir weitere Informationen zum Predictor Profiler geben?Ich kann diese Zahl erhalten, wenn ich den Test mit dem angepassten Modell statt mit der Anpassung von y an x durchführe, bin mir aber nicht sicher, wie ich die Wahrscheinlichkeiten für jede Vorhersage abschätzen soll.Was ich bekam, war eine Figur wie die, die ich gemacht hatte, aber auch mit roten horizontalen Linien darauf.Es gibt mehrere Optionen im roten Dropdown-Pfeil, ich bin mir jedoch nicht sicher, welche die jeweilige Vorhersage testet.Und tatsächlich war Trinken ein seltenes Verhalten, ich nahm an, dass es deshalb instabil war.
Ich habe ein Problem beim Ausführen des Quotenverhältnisses, da JMP mir diese Option nicht bietet, da es mehr als zwei Verhaltensweisen gibt.Ich denke, das ist es, was ich tun muss, aber ich kann jmp anscheinend nicht dazu bringen, es zu tun.Die Option wird im Dropdown-Dreieck nicht angezeigt, es sei denn, ich erstelle ein neues Datenblatt, das nur zwei mögliche Ergebnisse in der Antwortvariablen enthält.Ich kann den Predictor Profiler verwenden, bin aber mit seiner Funktionsweise nicht wirklich vertraut.
Danke noch einmal
Betreff: Logistische Regression mit mehreren ErgebnisvariablenDie Tatsache, dass zwei Parameterschätzungen instabil sind, deutet darauf hin, dass DRINK wahrscheinlich ein ungewöhnliches Verhalten war.
Der einfachste Weg, die logistische Regression zu interpretieren, sind Quotenverhältnisse, bei denen es sich um Exp (Parameterschätzung) und vorhergesagte Wahrscheinlichkeiten handelt. Ich kenne JMP nicht, aber wenn Sie SAS/STAT haben, habe ich einen Artikel über multinomiale Logistik geschrieben.Es ist Hier:
Betreff: Logistische Regression mit mehreren ErgebnisvariablenDie Persönlichkeit „Nominale logistische Regression“ im Fit-Modell sollte hilfreich sein. Sie können die Quotenverhältnisse abrufen, indem Sie auf das rote Dreieck oben auf der Plattform klicken. Außerdem können Sie den Vorhersageprofiler verwenden, um die Wahrscheinlichkeit aller Stufen für jede Bedingung abzuschätzen und dann die Quoten zu berechnen. Ändern Sie nun die Bedingung (Prädiktorebene) und wiederholen Sie die Berechnung. Berechnen Sie nun das Quotenverhältnis.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenEs ist, als hättest du es angelegt.Der Gibbon führt jeweils nur ein Verhalten aus, kann aber mehrere Verhaltensweisen ausführen, wie z. B. Füttern, Reisen, Lautäußerungen, Fellpflege usw.Ich versuche herauszufinden, wie sich die Anzahl der anwesenden Personen auf die Wahrscheinlichkeit eines bestimmten Verhaltens des Gibbons auswirkt, z. B. verringert der Gibbon die Zeit, die er mit der Nahrungsaufnahme verbringt, wenn mehr Personen anwesend sind.Die logistische Regression gibt mir einen AP-Wert für das gesamte Modell, sodass ich sehen kann, dass die Anzahl der Menschen das Gibbon-Verhalten beeinflusst. Ich möchte jedoch sehen, welche individuellen Verhaltensweisen das Modell bestimmen – ich hätte gerne so etwas Statistiken mit p-Werten, die mir zeigen, welche Verhaltensweisen sich tatsächlich ändern.Jetzt schaue ich mir nur noch die Ausgabezahlen an und beschreibe, wie sich die Verhaltensweisen ändern.So sieht die Ausgabe aus.Ich habe versucht, die Figur einzufügen, aber es hat nicht funktioniert.Ich habe jedoch herausgefunden, dass ich den Odds-Ratio-Test nicht durchführen kann, weil meine Antwort (mein Verhalten) mehr als zwei Variablen hat.
Logistische Anpassung des Verhaltens durch alle Menschen
Gesamtmodelltest
Modell | -LogLikelihood | DF | ChiSquare | Prob>ChiSq |
Unterschied | 37.2401 | 11 | 74.48025 | <.0001* |
Voll | 1162.7796 | | | |
Reduziert | 1200.0197 | | | |
| |
RQuadrat (U) | 0,0310 |
AICc | 2371.15 |
BIC | 2468,39 |
Beobachtungen (oder Summengewichte) | 660 |
| |
| |
| |
Messen | Ausbildung | Definition |
Entropie RQuadrat | 0,0310 | 1-Loglike(Modell)/Loglike(0) |
Generalisiertes R-Quadrat | 0,1096 | (1-(L(0)/L(Modell))^(2/n))/(1-L(0)^(2/n)) |
Mittelwert -Log p | 1.7618 | ∑ -Log(ρ)/N |
RMSE | 0,7987 | √ ∑(y-ρ)²/n |
Mittlere Bauchmuskelabw | 0,7918 | ∑ |y-ρ|/n |
Fehlklassifizierungsrate | 0,6727 | ∑ (ρ≠ρMax)/n |
N | 660 | N |
| | |
Parameterschätzungen
Begriff | | Schätzen | Standardfehler | ChiSquare | Prob>ChiSq |
Abfangen[Trinken] | Instabil | 9.3119005 | 1537.0201 | 0,00 | 0,9952 |
insgesamt Menschen[Getränk] | Instabil | -13.895268 | 1537.0192 | 0,00 | 0,9928 |
Abfangen[Feed] | | -1,5746952 | 0,2067421 | 58.01 | <.0001* |
insgesamt Menschen[Feed] | | 0,45943506 | 0,0703651 | 42,63 | <.0001* |
Abfangen[Bräutigam] | | -3,8964691 | 0,7363762 | 28.00 | <.0001* |
insgesamt Menschen[Bräutigam] | | 0,17142825 | 0,2657919 | 0,42 | 0,5189 |
Abfangen[Empfänger des Bräutigams] | | -5.9062151 | 1.021258 | 33.45 | <.0001* |
insgesamt Menschen[Empfänger des Bräutigams] | | 0,60419887 | 0,1604264 | 14.18 | 0,0002* |
Abfangen[Hängen] | | -3.4626526 | 0,5849713 | 35.04 | <.0001* |
totale Menschen[Hang] | | 0,187694 | 0,2073532 | 0,82 | 0,3654 |
Abfangen[Nicht sichtbar] | | -0,9158515 | 0,1862225 | 24.19 | <.0001* |
insgesamt Menschen[Nicht sichtbar] | | 0,35203714 | 0,0696868 | 25.52 | <.0001* |
Abfangen[Andere] | | -7.0115111 | 1.4481919 | 23.44 | <.0001* |
insgesamt Menschen[Andere] | | 0,71085044 | 0,1806613 | 15.48 | <.0001* |
Abfangen[Ruhe – Schlaf] | | -2.0491431 | 0,2866187 | 51.11 | <.0001* |
insgesamt Menschen[Ruhe - Schlaf] | | 0,25952368 | 0,0987496 | 6,91 | 0,0086* |
Abfangen[Ruhe – Still] | | -1,703556 | 0,2215666 | 59.12 | <.0001* |
insgesamt Menschen[Ruhe - Still] | | 0,40532436 | 0,0739462 | 30.05 | <.0001* |
Intercept[Selbstbräutigam] | | -5,34457 | 1.6699724 | 10.24 | 0,0014* |
totale Menschen[Selbstbräutigam] | | 0,09443149 | 0,6681153 | 0,02 | 0,8876 |
Abfangen[Reisen] | | -1,709588 | 0,2321228 | 54,24 | <.0001* |
insgesamt Menschen[Reisen] | | 0,34947804 | 0,0784157 | 19.86 | <.0001* |
Für Protokollquoten von Trinken/Vokalisieren, Füttern/Vokalisieren, Bräutigam/Vokalisieren, Empfänger pflegen/Vokalisieren, Hängen/Vokalisieren, Nicht sichtbar/Vokalisieren, Anderes/Vokalisieren, Ruhe – Schlaf/Vokalisieren, Ruhe – Still/Vokalisieren, Sich selbst pflegen/Vokalisieren , Reisen/Vokalisieren
Betreff: Logistische Regression mit mehreren ErgebnisvariablenSie können keine logistische Regression mit mehreren abhängigen Variablen in einem Logistiklauf durchführen. Aber vielleicht haben Sie EINE abhängige Variable – das Verhalten des Gibbons – mit mehreren Ebenen?Wie wird „Verhalten“ operationalisiert? Sind die Daten etwa so:
Fall-ID, Anzahl Personenverhalten
1 3 A
2 2 B
3 5 A
4 2 C
usw.? Oder zeigt jeder Gibbon mehrere Verhaltensweisen? Oder ist jeder Gibbon in mehreren Fällen beteiligt? (In diesem Fall bräuchten Sie eine Art mehrstufiges Modell, wahrscheinlich mit GLIMMIX?
Betreff: Logistische Regression mit mehreren ErgebnisvariablenIch muss zugeben, dass ich die Teilmenge der JMP-Funktionen, die in der Studentenversion verfügbar sind, nicht kenne, aber bitte probieren Sie diese Vorschläge aus und teilen Sie mir mit, was Sie finden.
1. Mit Fit Y by X starten Sie eine Logistikplattform. Sie haben bereits die p-Werte für die Wald-Tests zur Beurteilung der Signifikanz gefunden. Klicken Sie oben im Fenster auf das rote Dreieck und wählen Sie Quotenverhältnisse aus. Zwei davon erscheinen rechts neben den Parameterschätzungen und den p-Werten. Der Quotenverhältnis der Einheit ist das Verhältnis für eine Änderung des Prädiktors um 1 Einheit. Das andere Wahrscheinlichkeit ist für die Änderung über den gesamten Bereich (Minimum bis Maximum) Ihres Prädiktors.
(Hinweis: Wenn Sie Logistic mit mehreren Antworten starten, werden im selben Fenster parallele Modelle angezeigt. Versuchen Sie Folgendes: Halten Sie die STRG-Taste unter Windows bzw. die Befehlstaste auf dem Macintosh gedrückt und klicken Sie dann auf das rote Dreieck. Auf diese Weise werden die Quotenverhältnisse für alle Antworten berechnet, anstatt jeweils eine Antwort abzufragen. Dieser Trick heißt Rundfunk und funktioniert mit den meisten Funktionen in JMP!)
2. Alternativ können Sie Analysieren > Modell anpassen wählen. Ordnen Sie Ihre Antworten der Y-Rolle zu und fügen Sie Ihren Prädiktor zur Effektliste hinzu. Klicken Sie auf die Schaltfläche „Ausführen“ und Sie sollten die gleiche grundlegende Analyse wie bei Logistic erhalten, jedoch mit Unterschieden in der Wichtigkeit. Die Parameterschätzungen verwenden Likelihood-Ratio-Tests anstelle von Wald-Tests. Klicken Sie außerdem oben auf das rote Dreieck und wählen Sie Profiler > Profiler. Es erscheint unten im Fenster. Jetzt zeigt Ihnen der Profiler die vorhergesagten Wahrscheinlichkeiten jeder Antwortebene an. Sie können die Wahrscheinlichkeiten unter einem bestimmten Referenzniveau des Prädiktors schätzen, dann die Wahrscheinlichkeiten unter anderen Bedingungen abschätzen und ein beliebiges Quotenverhältnis bilden, das Sie möglicherweise benötigen.
Es gibt viele weitere Funktionen in den Plattformen Logistic und Nominal Logisitic Fit, aber ich möchte Sie nicht alle auf einmal überfordern. Bitte lassen Sie mich wissen, ob diese Erklärung hilfreich war oder ob Sie weitere Schwierigkeiten oder Fragen haben.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenDanke für die Hilfe.Ich habe eine Studentenlizenz von JMP.Ich kann den Odds-Ratio-Test nicht finden und kann nicht herausfinden, wie ich den Profiler mit nicht numerischen Werten verwenden kann.Wissen Sie, wie ich auf diese Funktionen zugreifen kann?Ich führe nur eine y-x-Anpassungsanalyse durch, daher weiß ich auch nicht, wie ich angeben soll, dass ich eine nominale logistische Regression durchführe.
Betreff: Logistische Regression mit mehreren ErgebnisvariablenWenn die Antwortvariablen mehr als zwei Ebenen enthalten, verwenden Sie die ordinale oder nominale logistische Regression. In beiden Fällen verwenden die kumulativen Logits bzw. die generalisierten Logits die letzte Ebene für die Quoten und können daher nicht geschätzt werden. Wenn Sie also k Ebenen haben, gibt es k-1 Logits mit den zugehörigen Parametern.
Der beste Weg, diese Logits zu interpretieren, ist entweder anhand von Quotenverhältnissen (relativ zur letzten Ebene) oder mit einer spezifischen Visualisierung, wie z. B. dem Vorhersageprofiler in JMP.
