名義邏輯擬合<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />您好，名義上的物流適合。 我得到了一個顯著的模型，所有參數對於效應 LRT 都是顯著的。但所有參數估計都不顯著。怎麼會這樣？？
回复：跟進-->回复：名義邏輯配合這些警告和指標表明模型很差。 我不會用它來預測結果（即分類）。 我會首先糾正較差的條件並驗證模型假設。
跟進-->回复：名義邏輯擬合只是想澄清下面鏈接中的這個回复。最初的問題涉及名義邏輯回歸中不穩定的參數估計。
”這是一個常見問題。 這是由於模型的某些參數在理論上變得無限大所致。 當模型完美地預測響應或者模型中的參數多於數據可以估計的參數時，就會發生這種情況（即，使用稀疏數據，其中“稀疏”意味著每個設置的重複很少或沒有）協變量）。 一種解決方案是減少變量數量和/或將連續變量更改為分類變量。 無法知道要消除或分類哪個變量，因為所有變量都是同時涉及的。 由此產生的模型通常擅長對觀察結果進行分類，但應避免對參數進行推斷。”
我是否認為即使參數估計不穩定、有偏差或歸零，如果僅用於分類，模型仍然可以使用？
回复：名義邏輯擬合謝謝，不過我用的不是專業版，太貴了
回复：名義邏輯擬合非常感謝您的重播，我會檢查一下是否有我的參數之間的相關性
回复：名義邏輯擬合如果預測變量之間的多重共線性是一個問題，另一種可能的方法是，如果您正在運行 JMP Pro，則廣義回歸套索/彈性網絡個性也是可行的建模選項。
回复：名義邏輯擬合您的參數估計是否標記為“不穩定”？ 如果是這樣，您可能需要查看以下 JMP 註釋： 36686 - 當我在 JMP® 中運行名義或有序邏輯回歸時，我收到標記為“不穩定”的參數估計值。...
回复：名義邏輯擬合原因是自變量之間存在共線性。
整體檢驗只是表明包含所有變量的模型優於響應的平均值。
各個參數的顯著性檢驗以模型中的所有其他參數為條件。
如果兩個自變量之間存在顯著相關性，並且對於解釋響應都很重要，那麼模型中的兩個自變量與另一個變量之間都不顯著。
共線性可能比兩個變量相關更複雜。如果一個變量與其他幾個變量的線性組合相關，則可能會發生這種情況，當一個變量有許多自變量時，這種情況很常見。
一般來說，解決方案是識別彼此高度相關的變量子集，並使用不太相關的子集。
不是 JMP 專家，更多的是 SAS，我將留給其他人就如何識別高度相關的子集提供更具體的建議
我想到的一些想法是研究成對相關性。另一個想法是使用分區平台來選擇候選自變量。
如果您的目標是預測，那麼使用遞歸分區就可以了。如果您的目標是推理，則使用遞歸分區來選擇變量將使 p 值偏小，並使任何推理變得可疑。
