? re: régression logistique ordinale, variables prédictives non linéaires<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Bonjour,
J'essaie de comprendre si je peux utiliser la fonction de régression logistique ordinale avec les données dont je dispose pour créer un ensemble d'équations de prédiction permettant d'estimer l'âge au décès. Mes variables de réponse sont ordinales (adolescent, jeune adulte, adulte moyen), et mes quatre variables prédictives sont continues, mais deux sont non linéaires. J'ai essayé de transformer les variables prédites, mais je n'arrive pas à trouver une solution linéaire. Si j’ai bien lu, l’analyse de régression logistique ordinale dans JMP est basée sur un modèle linéaire général, de sorte que cela nuirait à ma capacité d’utiliser la fonction en raison de mes variables de réponse non linéaires (déterminées par la moyenne de ces variables lorsque représenté graphiquement par catégorie d’âge - c’est-à-dire que les valeurs moyennes atteignent une asymptote à l’âge moyen, puis diminuent en valeur à un âge avancé)? J'ai essayé d'effectuer l'analyse à l'aide de la plate-forme non linéaire, mais je reçois un message d'avertissement, car ma variable Y n'est pas continue.
* Tout * conseil constructif est très apprécié! De plus, au niveau le plus élémentaire, ai-je bien compris les hypothèses du modèle logistique?
Merci beaucoup,
Kate
Re:? re: régression logistique ordinale, variables prédictives non linéairesLes hypothèses pour les variables indépendantes ne sont pas la linéarité (et je ne sais même pas ce que cela signifierait?)
Un modèle linéaire généralisé signifie que le modèle est une combinaison linéaire, mais les termes eux-mêmes peuvent être quadratiques. Un modèle non linéaire peut avoir des statistiques d'ordre (max / min) et / ou une division / multiplication de termes qui ne peuvent pas être exprimés de manière linéaire.
y = x + x ^ 2 est toujours un GLM
y = cx / ax est un modèle non linéaire.
Re:? re: régression logistique ordinale, variables prédictives non linéairesSalut,
Dans linéaire modèles de régression, la variable de réponse est continue.
Dans la logistique Dans les modèles de régression, la variable de réponse est dichotomique. Nous avons donc choisi la fonction de lien appropriée (probit, logit) pour la modéliser.
Dans tous les modèles GLM, les variables prédictives peuvent être continues et discrètes (nominales, ordinales).
Je ne comprends pas (mais deux ne sont pas linéaires):
"Mes variables de réponse sont ordinales (adolescent, jeune adulte, adulte moyen), et mes quatre variables prédictives sont continues. deux sont non linéaires. "
Votre variable de réponse est ordinale. Donc, vous pouvez le casser à 4 régression logistique:
- Si c'est le code "adolescent" 1, l'autre code 0 -> avec seulement cette réponse dichotomique et toutes les autres variables prédictives, modélisez une régression logistique.
- S'il s'agit du code 1 "jeune adulte", un autre code 0 -> avec seulement cette réponse dichotomique et toutes les autres variables prédictives, modélisez une régression logistique.
- S'il s'agit du code 1 "adulte moyen", un autre code 0 -> comportant uniquement cette réponse dichotomique et toutes les autres variables prédictives, modélise une régression logistique.
- S'il s'agit du code 1 "adulte moyen", un autre code 0 -> comportant uniquement cette réponse dichotomique et toutes les autres variables prédictives, modélise une régression logistique.
Vous pouvez également ajuster la régression logistique ordinale, comme vous l'avez mentionné. Vérifie ça Exemple sur le site Web de JMP.
Pour plus de détails statistiques sur ces modèles, lisez "Introduction à l'analyse de données catégorielles" ou "analyse de données catégoriques" par Alan Agresti, Wiley.
