Ich habe kürzlich eine Reihe von binären logistischen Regressionen überprüft und wurde vom Prüfer darüber informiert, dass meine Ergebnisse aufgrund von ungleichen Abtastraten in meinen Eingabedaten fehlerhaft waren. Ich habe zwei Antworten: An- und Abwesenheit. Aufgrund der Seltenheit von Anwesenheitsdaten und Prävalenz von Abwesenheitsdaten habe ich die Abwesenheitsdaten auf das Doppelte der Anwesenheitsdaten gesetzt. Was ich nicht wusste, war, dass der Intercept-Term der Gleichung ein log-Odds-Verhältnis der Eingangsstichprobengrößen enthält, sodass jedes Modell nicht nur eine Funktion des Umgebungsmusters ist, sondern auch eine Funktion der relativen Prävalenz jeder Klasse durch ein Abtastverhältnis. Da mein Verhältnis 1: 2 betrug, musste ich den Schnittpunkt korrigieren, indem zu den Schnittpunkten jedes Modells der Log-Anteil hinzugefügt wurde: ln (n2 / n1) oder ln (2/1) oder ln (2) = 0,69315. Ohne dies zu tun, sind meine Modelle anscheinend eher auf die Vorhersage von Abwesenheit als auf Anwesenheit ausgerichtet. Offensichtlich erzeugt JMP fehlerhafte Ergebnisse, wenn dieses Klassenverhältnis nicht berücksichtigt wird. Ich bin kein Statistiker und kann das nicht unabhängig bestätigen, aber ich wollte darauf hinweisen, um zu sehen, ob jemand weiteren Input hat. Prost.
