複数の結果変数を使用したロジスティック回帰<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />結果に複数のカテゴリ変数が含まれるデータセットに対してロジスティック回帰分析を実行しています。この場合、テナガザルの行動を予測するために存在する人間の総数 (連続変数) を使用しています (行動はカテゴリカルです)。パラメーター推定値を使用して、どの特定の行動が人間の数によって影響を受けるかを判断しようとしていますが、結果を相互運用するのに苦労しています。個々の行動の結果と、その行動が人数の影響を受けるかどうかを示す Wald テストを確認できますが、リストのアルファベット順の最後の行動 (発声) は数値を出力しないため、方法がわかりません。この変数が影響を受けるかどうかを確認してください。これらの結果を正しく相互運用できていますか?最後の動作 (発声) が人数の影響を受けるかどうかを確認するにはどうすればよいですか?
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比それは本当ではない。 その方法も決して簡単ではありません。 これは、「保存」コマンドを使用するよりも困難です。 パラメータの推定値は、オッズまたはオッズ比の推定値ではありません。 このメモは、ロジスティック回帰問題を再度述べたものにすぎません。 モデル方程式の右側に線形予測子があり、左側にロジット関数があります。 [パラメーター推定] テーブルの下部に表示されるメモは、線形予測子で使用されたロジットの単なる記録です。
この推定テーブルを保存する場合は、各行のロジット値を計算するための列式を作成する必要があります。 次に、確率を逆予測するために、応答レベルごとに別の列式を追加する必要があります。 これは、[保存] > [確率を保存] コマンドが行うことです。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比早速の対応ありがとうございました。
確率式を保存してオッズ比を自分で計算する代わりに、多項ロジスティック モデルのパラメーター推定データの下部に「結果 A/結果 C、結果 B/結果 C の対数オッズ」という表示を独自に見ていました。 " ここで、結果 C は私の参照結果です。このデータをデータ テーブルに変換し、式 exp(Estimate) を含む新しい列を挿入することで、オッズ比を計算することはできますか?
これを参照する別の投稿も見つけました --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
それはあまりにも簡単に真実であるように思えます。
ありがとうございました。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比プラットフォームの上部にある赤い三角形をクリックして、保存 > 確率式の保存。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比ハイマーク、
3 レベルの結果変数に対して多項ロジスティック回帰を実行しています。私はオッズ比を見つける方法を見つけようとしてきましたが、最終的にあなたからのこの前の回答に遭遇しました。
確率の式を保存するにはどうすればよいですか?
よろしくお願いします。
Re: 複数の結果変数を使用したロジスティック回帰少し単純化した GUI ベースのソリューションです。パラメータ推定テーブルで、テーブルをダブルクリックしました。 私は「データテーブルに作成」オプションを選択しました。 JMP がデータテーブルを作成したら、オッズ比という名前の新しい列を作成しました。 次に、[列] メニューで数式オプションを選択しました。 数式ウィンドウに入ったら、exp(Estimate) という数式を書きました。 出力は推定値のオッズ比でした。 再確認するために、推定値を R にコピーして貼り付け、R で exp 関数を使用しました。 同じ結果が得られました。 HTH
Re: 複数の結果変数を使用したロジスティック回帰学習アセットをチェックしましたが、名目ロジスティック回帰に関するチュートリアルが見つかりませんでした。 (JMP ホーム ページ メニューで [JMP の学習] を選択する項目を参照してください。) 次に、YouTube アカウントを確認して、次のチュートリアルを見つけました。多重ロジスティック回帰。 もありますJMP のチュートリアルによるロジスティック回帰の概要ユーチューブで。 ロジスティック回帰をより徹底的にカバーしますが、結果についてのみ説明します。 多項ロジスティック回帰はカバーしません。
このトピックを取り上げたトレーニング コースを提供しています。離散応答の分析。 このようなモデルの起源、使用、解釈と、JMP でこの回帰を実行する方法について説明します。
Re: 複数の結果変数を使用したロジスティック回帰私は学生版ではなく、JMP 13 Pro を使用しています。
Re: 複数の結果変数を使用したロジスティック回帰複数の結果を含むロジスティック回帰のチュートリアル/ビデオはありますか?
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比はい、各行 (個別) はオッズの計算式から結果を取得します。
はい、平均オッズを使用できます。 使用テーブル>まとめまたは分析する>表にする各グループまたはサブグループの結果を取得します。
手計算は、あなたが言うように、Pr（グループA）をPr（グループAではない）で割ったものです。 オッズ比は、さまざまな条件 (処理済み、未処理) でのオッズの比になります。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比なるほど！ ありがとう！
続報〜
Prob[X] 列を使用してオッズ t(Prob[X1] を Prob[X2] で割ったもの) を計算すると、そのオッズが得られます。個人、 正しい？
これを論文で報告するときは、各グループのオッズと比較グループのオッズ比（たとえば、治療済みの F と治療済みまたは未治療の M を比較）を報告する必要があります。
グループのオッズを計算するときは、単純にオッズを平均するそのグループのために？
これは、JMP よりも統計に関する質問であることは承知していますが、ほとんどのプログラムはグループ オッズを計算するため、手動で計算する方法については他にドキュメントが見つかりません。ありがとう！
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比Lin[X] 列には、近似したロジット関数の線形予測子が含まれています。 式を調べると、ロジスティック回帰の結果で示されたのと同じパラメータ推定値が表示されます。 ロジットが必要でない限り、必要ありません。
線形予測子は、各応答レベルの確率を Prob[X] として計算するために n 回使用されます。 (これは、log( p / (1-p) ) = Lin[X] for p を解くことから得られます。) この確率は、目的に最も役立ちます。 [グラフ] > [プロファイラー] を選択して Prob[X] を選択する場合は、中間式を展開する機能を必ず有効にしてください。そうしないと、実際の予測変数ではなく Lin[X] に対してプロファイリングが行われることになります。
新しい列式で Prob[X] 列を使用すると、Prob[X1] を Prob[X2] で除算して任意のオッズを計算できます。 同様に、この方法で導出されたオッズから必要なオッズ比を計算できます。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比親愛なるマーク様
ご協力いただきありがとうございます！確かに、JMP がこれを自動的に実行すればよかったのにと思います。 おそらくバージョン14で:)
確率式を保存すると、次の列が得られます
リン [F] リン [B] 確率 [F] 確率 [B] 確率 [M] 最も可能性の高い結果
ここで、F、B、M は私の結果、M は参照カテゴリです。
質問:
Lin[ ] 列は何を示していますか?
これを二項ロジスティック回帰で計算することはそれほど難しくありませんが、ここでは少し難しいと思います。
どうすればいいですか
- 各個人のオッズを計算しますか?
- 各結果カテゴリグループのオッズを計算しますか?
各結果グループのオッズを取得したら、これらを参照グループの合計オッズで割って、オッズ比 (たとえば、F と M の比較) を取得します。 あれは正しいですか？
統計に関するノウハウを共有していただきありがとうございます。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比問題が何であるかは理解していると思います。あなたが引用した例には二項対立の結果があります。 ただし、データには 2 つ以上のレベルがあるようです。 このような場合、JMP はオッズ比を計算しません。 ただし、確率の式を保存し、それを使用してオッズを計算し、オッズ比を計算することができます。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比オッズ比は両方で利用できます。物流プラットフォーム (Fit Y by X から始まる) と名目上のロジスティックフィットプラットフォーム (Fit Model から始まる)。 上で引用したチュートリアルの例を使用すると、最初のプラットフォームを使用すると次の結果が得られます。
2 番目のプラットフォームを使用すると、次の結果が得られます。
オッズ比は名目応答に対してのみ使用できることに注意してください。
Re: 複数の結果変数を使用したロジスティック回帰 - JMP のオッズ比多重多項ロジスティック回帰を実行していますが、次に示すように JMP にオッズ比を計算させることができません。チュートリアル缶詰のデータセットを使用します。
上記の指示に従います。
Fit Y by X (ブロードキャストか否か) を使用すると、オッズ比オプションが表示されません (以下の 1 番目と 2 番目のスクリーンショットを参照)。
プロファイラーは見つかりますが、実際に探しているのはオッズ比で、すでに手動で計算したものと比較できるためです (右の 3 番目のスクリーンショットを参照)。
他にこの問題を抱えた人はいますか?JMP で多重多項ロジスティックのオッズ比を計算できたことがありますか?
ご協力いただきありがとうございます！
Re: 複数の結果変数を使用したロジスティック回帰更新として、これが私が現在行っていることです。標準の二項ロジスティック回帰を使用して各動作を個別に実行し、動作が発生したときの動作を 1 としてスコア付けし、他のすべての動作を 0 としてスコア付けしています（名目ロジスティック回帰が有意であった場合のみ）。私はこれを一般的な動作に対してのみ行っています。これが私が比較したかったものになります (人数に関する 1 つの行動と他のすべての行動)。現在私が抱えている唯一の問題は、複数のテスト (bonferroni など) を実行するために修正を行う必要があるかどうかです。実行している動作は 5 つだけ (餌を与える、非表示、睡眠、休憩、旅行、発声) なので、修正が必要かどうかはわかりません。bonferroni は少し保守的になる可能性があることを知っているので、本当に必要と思われない限り、これを使用することを少しためらっています。
Re: 複数の結果変数を使用したロジスティック回帰LRT を使用して重要性を判断し、モデルを選択します。 この部分が完了したら、モデルを使用してオッズ比を計算します。
予測プロファイラーを使用して確率を計算し、特定の予測子レベルにおけるイベントと非イベントの確率を計算します。 予測レベルを変更し、更新された確率を取得し、新しいオッズを計算します。 その後、比率を計算できます。 このようにして、あらゆるもののオッズ比を計算できます。
Re: 複数の結果変数を使用したロジスティック回帰プレディクター プロファイラーについて詳しく教えていただけますか?y を x で当てはめるのではなく、モデルを当てはめてテストを実行すると、その数値を得ることができますが、各予測のオッズを推定する方法がわかりません。得られたのは、私が作ったものと同じような図ですが、赤い横線が入っています。赤いドロップダウン矢印にはいくつかのオプションがありますが、どれが各予測をテストするのかわかりません。そして確かに、飲酒は珍しい行動だったので、それが不安定な理由だと思いました。
3 つ以上の動作があるため、jmp でオッズ比を実行するときにそのオプションが提供されず、問題が発生しています。それが私がしなければならないことだと思いますが、jmpにそれをさせることができないようです。応答変数に 2 つの可能な結果のみを含む新しいデータシートを作成しない限り、このオプションはドロップダウン三角形に表示されません。予測プロファイラーを使用できますが、それがどのように機能するのかよくわかりません。
再度、感謝します
Re: 複数の結果変数を使用したロジスティック回帰2 つのパラメーター推定値が不安定であるという事実は、飲酒がおそらく一般的ではない行動であることを示しています。
ロジスティック回帰を解釈する最も簡単な方法は、オッズ比を使用することです。これは、exp(パラメータ推定値)と予測確率です。 JMP は知りませんが、SAS/STAT をお持ちであれば、多項ロジスティックに関する論文を書きました。そのここ：
Re: 複数の結果変数を使用したロジスティック回帰Fit Model の名目ロジスティック回帰の性格が役立つはずです。 プラットフォームの上部にある赤い三角形をクリックすると、オッズ比を取得できます。 また、予測プロファイラーを使用して、任意の条件のすべてのレベルの確率を推定し、オッズを計算することもできます。 次に、条件 (予測レベル) を変更して計算を繰り返します。 次にオッズ比を計算します。
Re: 複数の結果変数を使用したロジスティック回帰まるでレイアウトしたかのようです。テナガザルは一度に 1 つの行動しか行いませんが、餌を与える、移動する、声を出す、毛づくろいするなど、実行できる行動はいくつかあります。私がやろうとしているのは、存在する人の数がテナガザルが特定の行動をする可能性にどのような影響を与えるか、たとえば、より多くの人が存在するとテナガザルは餌を食べるのに費やす時間が短縮されるかどうかを確認することです。ロジスティック回帰により、モデル全体の p 値が得られるため、人の数がテナガザルの行動に影響を与えることがわかりますが、私がやりたいのは、どの個々の行動がモデルを動かしているのかを確認することです。実際にどの行動が変化しているかを示す p 値の統計。私が今行っているのは、出力された図を見て、動作がどのように変化するかを説明することだけです。出力は次のようになります。図を挿入しようとしましたが、うまくいきませんでした。ただし、私の応答 (行動) には 2 つ以上の変数があるため、オッズ比検定は実行できないことがわかりました。
人間全体による行動のロジスティックフィット
モデル全体のテスト
モデル | -対数尤度 | DF | カイ二乗 | Prob>ChiSq |
違い | 37.2401 | 11 | 74.48025 | <.0001* |
満杯 | 1162.7796 | | | |
削減 | 1200.0197 | | | |
| |
アールスクエア(U) | 0.0310 |
AICc | 2371.15 |
ビック | 2468.39 |
観測値 (または合計 Wgts) | 660 |
| |
| |
| |
測定 | トレーニング | 意味 |
エントロピー平方根 | 0.0310 | 1-対数(モデル)/対数(0) |
一般化された R2 乗 | 0.1096 | (1-(L(0)/L(モデル))^(2/n))/(1-L(0)^(2/n)) |
平均対数p | 1.7618 | ∑ -Log(ρ)/n |
RMSE | 0.7987 | √ ∑(y-ρ)²/n |
平均腹筋開発 | 0.7918 | ∑ |y-ρ|/n |
誤分類率 | 0.6727 | ∑ (ρ≠ρMax)/n |
N | 660 | n |
| | |
パラメータの推定値
学期 | | 見積もり | 標準エラー | カイ二乗 | Prob>ChiSq |
インターセプト[ドリンク] | 不安定 | 9.3119005 | 1537.0201 | 0.00 | 0.9952 |
トータルヒューマン[ドリンク] | 不安定 | -13.895268 | 1537.0192 | 0.00 | 0.9928 |
インターセプト[フィード] | | -1.5746952 | 0.2067421 | 58.01 | <.0001* |
総人間[餌] | | 0.45943506 | 0.0703651 | 42.63 | <.0001* |
インターセプト[新郎] | | -3.8964691 | 0.7363762 | 28.00 | <.0001* |
トータルヒューマン[新郎] | | 0.17142825 | 0.2657919 | 0.42 | 0.5189 |
インターセプト[新郎受信者] | | -5.9062151 | 1.021258 | 33.45 | <.0001* |
total human[新郎受取人] | | 0.60419887 | 0.1604264 | 14.18 | 0.0002* |
インターセプト[ハング] | | -3.4626526 | 0.5849713 | 35.04 | <.0001* |
トータルヒューマン[ハング] | | 0.187694 | 0.2073532 | 0.82 | 0.3654 |
インターセプト[非表示] | | -0.9158515 | 0.1862225 | 24.19 | <.0001* |
全人類[非表示] | | 0.35203714 | 0.0696868 | 25.52 | <.0001* |
インターセプト[その他] | | -7.0115111 | 1.4481919 | 23.44 | <.0001* |
総人間[その他] | | 0.71085044 | 0.1806613 | 15.48 | <.0001* |
インターセプト[休息 - 睡眠] | | -2.0491431 | 0.2866187 | 51.11 | <.0001* |
総人間数[休息 - 睡眠] | | 0.25952368 | 0.0987496 | 6.91 | 0.0086* |
インターセプト[休憩 - 静止] | | -1.703556 | 0.2215666 | 59.12 | <.0001* |
トータルヒューマン[休息 - 静止] | | 0.40532436 | 0.0739462 | 5月30日 | <.0001* |
インターセプト[新郎] | | -5.34457 | 1.6699724 | 10.24 | 0.0014* |
トータルヒューマン[新郎] | | 0.09443149 | 0.6681153 | 0.02 | 0.8876 |
インターセプト[トラベル] | | -1.709588 | 0.2321228 | 54.24 | <.0001* |
トータルヒューマン[旅行] | | 0.34947804 | 0.0784157 | 19.86 | <.0001* |
飲む/発声、餌/発声、新郎/発声、新郎受信者/発声、ハング/発声、非表示/発声、その他/発声、休憩 - 睡眠/発声、休息 - 静止/発声、セルフグルーミング/発声の対数オッズについて、旅行/発声
Re: 複数の結果変数を使用したロジスティック回帰ロジスティックの 1 回の実行で複数の従属変数を使用してロジスティック回帰を実行することはできません。 しかし、おそらく、複数のレベルを持つ 1 つの従属変数 (テナガザルの行動) があるでしょうか?「行動」はどのように操作されるのか？ データは次のようなものですか:
ケース ID 人数 行動
1 3A
2 2 B
3 5A
4 2C
等。？ それともそれぞれのテナガザルは複数の行動をとりますか? それともそれぞれのテナガザルが複数の事件に関わっているのでしょうか？ (その場合、おそらく GLIMMIX を使用した、何らかの形式のマルチレベル モデルが必要になります。
Re: 複数の結果変数を使用したロジスティック回帰学生版で利用できる JMP 機能のサブセットを私は知りませんが、これらの提案を試して、発見したことをお知らせください。
1. Fit Y by X を使用して、ロジスティック プラットフォームを起動します。 有意性を判断するための Wald 検定の p 値はすでに見つかりました。 ウィンドウの上部にある赤い三角形をクリックし、「オッズ比」を選択します。 そのうちの 2 つは、パラメーター推定値と p 値の右側に表示されます。 のユニットオッズ比は、予測子の 1 単位変化の比率です。 もう一つはオッズ比予測子の全範囲 (最小値から最大値) にわたる変化を表します。
(注: 複数の応答を指定して Logistic を起動すると、同じウィンドウに並列モデルが表示されます。 これを試してください。Windows では CTRL キーを押したまま、Macintosh では Command キーを押したまま、赤い三角形をクリックします。 この方法では、一度に 1 つの回答を尋ねるのではなく、すべての回答に対してオッズ比が計算されます。 このトリックはと呼ばれます放送JMP のほとんどの機能で動作します!)
2. あるいは、「分析」>「モデルの適合」を選択します。 回答を Y ロールに割り当て、予測子を効果リストに追加します。 [実行] ボタンをクリックすると、ロジスティックから行ったのと同じ基本的な分析が得られますが、重要度は異なります。 パラメーター推定では、Wald 検定の代わりに尤度比検定を使用します。 また、上部の赤い三角形をクリックし、[プロファイラー] > [プロファイラー] を選択します。 ウィンドウの下部に表示されます。 これで、プロファイラーは各応答レベルの予測確率を表示します。 予測変数の参照レベルの下で確率を推定し、次に他の条件の下で確率を推定し、必要なオッズ比を形成できます。
Logistic および Nominal Logisitic Fit プラットフォームには他にも多くの機能がありますが、一度にすべてを圧倒するつもりはありません。 この説明が役に立ったかどうか、またはさらに難しい点や質問がある場合はお知らせください。
Re: 複数の結果変数を使用したロジスティック回帰助けてくれてありがとう。私はJMPの学生ライセンスを持っています。オッズ比テストが見つからず、数値以外の値でプロファイラーを使用する方法がわかりません。これらの機能にアクセスする方法を知っていますか?私はちょうど y by x の当てはめ分析を実行しているだけなので、名目ロジスティック回帰を実行していることを示す方法もわかりません。
Re: 複数の結果変数を使用したロジスティック回帰応答変数に 3 つ以上の水準がある場合は、順序または名義ロジスティック回帰を使用しています。 これらのどちらの場合も、累積ロジットまたは一般化ロジットはそれぞれオッズの最後のレベルを使用するため、推定することはできません。 したがって、k レベルがある場合、関連するパラメーターを持つ k-1 個のロジットが存在します。
これらのロジットを解釈する最良の方法は、オッズ比 (最後のレベルとの相対) を使用するか、JMP の予測プロファイラーなどの特定の視覚化を使用することです。
