nominelle logistische Eignung<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo, im nominellen logistischen Zustand. Ich erhalte ein signifikantes Modell, alle Parameter sind durch den LRT-Effekt signifikant. aber alle Parameterschätzungen sind nicht signifikant.wie kann es sein??
Betreff: Nachverfolgung -> Betreff: nominelle logistische EignungDiese Warnungen und Indikatoren deuten auf ein schlechtes Modell hin. Ich würde es nicht verwenden, um Ergebnisse vorherzusagen (dh zu klassifizieren). Ich würde die schlechten Bedingungen korrigieren und zunächst die Modellannahmen überprüfen.
Follow-up -> Betreff: nominelle logistische EignungIch möchte nur die Antwort im folgenden Link klarstellen.Die ursprüngliche Frage bezieht sich auf instabile Parameterschätzungen in der nominalen logistischen Regression.
" Dies ist ein häufiges Problem. Dies wird dadurch verursacht, dass einige Parameter des Modells theoretisch unendlich werden. Dies kann passieren, wenn das Modell die Reaktion perfekt vorhersagt oder wenn das Modell mehr Parameter enthält, als durch die Daten geschätzt werden können (d. h. bei spärlichen Daten, wobei „spärlich“ bedeutet, dass es nur wenige oder keine Wiederholungen jeder Einstellung von gibt). die Kovariaten). Eine Lösung besteht darin, die Anzahl der Variablen zu reduzieren und/oder kontinuierliche Variablen in kategoriale Variablen umzuwandeln. Es gibt keine Möglichkeit zu wissen, welche Variable entfernt oder kategorisiert werden soll, da alle Variablen gleichzeitig beteiligt sind. Das resultierende Modell eignet sich in der Regel gut zur Klassifizierung von Beobachtungen, Rückschlüsse auf die Parameter sollten jedoch vermieden werden.“
Gehe ich davon aus, dass das Modell auch bei instabilen, verzerrten oder auf Null gesetzten Parameterschätzungen immer noch verwendet werden kann, und sei es nur zur Klassifizierung?
Betreff: nominelle logistische EignungDanke, aber ich benutze nicht die Pro-Version, zu viel Geld
Betreff: nominelle logistische EignungVielen Dank für die Wiederholung, ich werde nachsehen, ob ich sie habe Korrelation zwischen meinen Parametern
Betreff: nominelle logistische EignungEin weiterer möglicher Ansatz, wenn Multikollinearität zwischen Ihren Prädiktorvariablen ein Problem darstellt, besteht darin, dass, wenn Sie JMP Pro ausführen, auch die Generalized Regression Lasso/Elastic Net-Persönlichkeiten praktikable Modellierungsoptionen sind.
Betreff: nominelle logistische EignungSind Ihre Parameterschätzungen als „instabil“ gekennzeichnet? Wenn ja, sollten Sie sich diese JMP-Notiz ansehen: 36686 – Wenn ich in JMP® eine nominale oder ordinale logistische Regression ausführe, erhalte ich Parameterschätzungen mit der Bezeichnung „Instabil“.…
Betreff: nominelle logistische EignungDie Ursache ist die Kollinearität zwischen den unabhängigen Variablen.
Der Gesamttest besagt lediglich, dass das Modell einschließlich aller Variablen besser ist als der Mittelwert der Antwort.
Der Test auf Signifikanz der einzelnen Parameter wird von allen anderen Parametern im Modell abhängig gemacht.
Wenn zwischen zwei unabhängigen Variablen, die beide für die Erklärung der Antwort wichtig sind, eine erhebliche Korrelation besteht, ist keine der beiden im Modell signifikant.
Kollinearität kann komplizierter sein als nur die Korrelation zweier Variablen.Dies kann passieren, wenn eine Variable mit einer linearen Kombination mehrerer anderer Variablen korreliert, was häufig vorkommt, wenn eine Variable viele unabhängige Variablen hat.
Die Lösung besteht im Allgemeinen darin, die Teilmengen der Variablen zu identifizieren, die untereinander stark korreliert sind, und eine Teilmenge zu verwenden, die nicht zu stark korreliert ist.
Da ich kein JMP-Experte, sondern eher SAS bin, überlasse ich es anderen, Ihnen spezifischere Ratschläge zur Identifizierung der stark korrelierten Teilmengen zu geben
Einige Ideen, die mir in den Sinn kommen, beschäftigen sich mit paarweisen Korrelationen.Eine andere Idee besteht darin, die Partitionsplattform zu verwenden, um unabhängige Kandidatenvariablen auszuwählen.
Wenn Ihr Ziel die Vorhersage ist, ist die Verwendung der rekursiven Partitionierung in Ordnung.Wenn Ihr Ziel Inferenz ist, führt die Verwendung rekursiver Partitionierung zur Auswahl von Variablen dazu, dass die p-Werte klein werden und jede Inferenz verdächtig wird.
