名目ロジスティックフィット<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />こんにちは、名目上のロジスティックフィット。私は有意なモデルを得ました、すべてのパラメーターは効果LRTによって有意です。しかし、すべてのパラメーター推定は重要ではありません。 それはどのようにすることができますか？
名目ロジスティックフィットについてありがとう、しかし私はプロ版を使用していません、多すぎるお金
名目ロジスティックフィットについて再生していただきありがとうございます、私は持っているかどうかを確認します私のパラメータ間の相関
名目ロジスティックフィットについて予測変数間の多重共線性が問題になる場合のもう1つの可能性のあるアプローチは、JMP Proを実行している場合、一般化回帰Lasso / Elastic Netパーソナリティも実行可能なモデリングオプションです。
名目ロジスティックフィットについてあなたのパラメータ推定値は「不安定」と表示されていますか？もしそうなら、あなたはこのJMPノートを見てみるとよいでしょう： 36686 - JMP®でノミナルまたはオーディナルロジスティック回帰を実行すると、"Unstable"というラベルが付いたパラメーター推定値が表示されます。…
名目ロジスティックフィットについて原因は、独立変数間の共線性です。
全体的なテストでは、すべての変数を含むモデルが応答の平均よりも優れていることが示されています。
個々のパラメーターの有意性の検定は、モデル内の他のすべてのパラメーターに基づいて調整されます。
応答を説明する上で重要な2つの独立変数の間に実質的な相関がある場合、どちらもモデル内の他の変数との間で有意にはなりません。
共線性は、2つの変数が相関しているよりも複雑になることがあります。 1つの変数が他のいくつかの変数の線形結合と相関している場合に起こり得ます。
一般的な解決策は、相互に強く相関している変数のサブセットを識別し、相関が大きすぎないサブセットを使用することです。
JMPの専門家ではなく、より多くのSASが、相関の高いサブセットをどのように識別するかについて、より具体的なアドバイスを提供するために他の人に任せます。
頭に浮かぶいくつかのアイデアはペアワイズ相関を見ています。 別のアイデアは、候補独立変数を選ぶためにパーティションプラットフォームを使うことです。
あなたの目標が予測であるならば、再帰的分割を使うことは問題ありません。 目的が推論である場合、再帰的分割を使用して変数を選択すると、p値が小さくなり、推論が疑われるようになります。
フォローアップ-> Re：名目ロジスティックフィット以下のリンクにあるこの応答を明確にしたいだけです。元の質問は、名目ロジスティック回帰における不安定なパラメーター推定に関連しています。
「」これは一般的な問題です。 これは、モデルのいくつかのパラメーターが理論的に無限になることによって引き起こされます。 これは、モデルが応答を完全に予測する場合、またはデータによって推定できるよりも多くのパラメーターがモデルにある場合に発生する可能性があります（つまり、「スパース」は、の各設定の繰り返しがほとんどまたはまったくないことを意味するスパースデータの場合）。共変量）。 1つの解決策は、変数の数を減らすか、連続変数をカテゴリカルに変更することです。 すべてが同時に関与するため、どの変数を削除または分類するかを知る方法はありません。 結果として得られるモデルは通常、観測値の分類に優れていますが、パラメーターに関する推論は避ける必要があります。」
不安定な、偏った、またはゼロのパラメーター推定値があっても、分類のためだけにモデルを使用できると思いますか？
Re：フォローアップ-> Re：名目ロジスティックフィットこれらの警告とインジケーターは、モデルが貧弱であることを示しています。 結果を予測する（つまり、分類する）ためにそれを使用することはありません。 悪い状態を修正し、最初にモデルの仮定を検証します。
