Récemment, une série de régressions logistiques binaires a été passée en revue et le réviseur m'a informé que mes résultats étaient erronés en raison de ratios d'échantillonnage inégaux dans mes données d'entrée. J'ai 2 réponses: présence et absence, et en raison de la rareté générale de la présence et de la prévalence des données d'absence, j'ai défini les données d'absence à 2x les données de présence. Ce que je n'avais pas compris, c'est que le terme d'interception de l'équation inclut un rapport de cotes logarithmique de la taille des échantillons d'entrée. Chaque modèle n'est donc pas seulement fonction du profil de l'environnement, mais également de la prévalence relative de chaque classe exprimée par un ratio d'échantillonnage. Comme mon ratio était de 1: 2, je devais corriger l'interception en ajoutant le log odds ratio aux intersections de chaque modèle: ln (n2 / n1) ou ln (2/1) ou ln (2) = 0,69315. Sans cela, apparemment, mes modèles ont tendance à prédire l'absence par opposition à la présence. Apparemment, JMP produit des résultats erronés en ne tenant pas compte de ce modèle de ratio de classe? Je ne suis pas un statisticien et je ne peux pas le confirmer de manière indépendante, mais je voulais le signaler pour voir si quelqu'un a d'autres idées. À votre santé.
