? re: ordinale logistische Regression, nichtlineare Prädiktorvariablen<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hallo,
Ich versuche herauszufinden, ob ich die ordinale logistische Regressionsfunktion mit meinen Daten verwenden kann, um einen Satz von Prädiktionsgleichungen für die Abschätzung des Todesalters zu erstellen. Meine Antwortvariablen sind ordinal (jugendlicher, junger Erwachsener, mittlerer Erwachsener, alter Erwachsener), und meine vier Prädiktorvariablen sind stetig, aber zwei sind nicht linear. Ich habe versucht, die Prädiktorvariablen zu transformieren, aber ich finde keine lineare Lösung. Wenn ich richtig gelesen habe, basiert die ordinale logistische Regressionsanalyse in JMP auf einem allgemeinen linearen Modell. Dies würde meine Fähigkeit zur Verwendung der Funktion aufgrund meiner nichtlinearen Antwortvariablen (bestimmt anhand dieser Variablen beim Aufruf) aufheben grafisch nach Altersklassen - dh die Mittelwerte steigen im mittleren Erwachsenenalter auf eine Asymptote an und fallen dann im alten Erwachsenenalter ab)? Ich habe versucht, die Analyse mit der nichtlinearen Plattform durchzuführen, erhalte jedoch eine Warnmeldung, da meine Y-Variable nicht stetig ist.
* Jeder * konstruktive Rat wird sehr geschätzt! Verstehe ich auf der grundlegendsten Ebene die Annahmen des Logistikmodells auch richtig?
Danke vielmals,
Kate
Re:? re: ordinale logistische Regression, nichtlineare PrädiktorvariablenDie Annahmen für die unabhängigen Variablen sind nicht linear (und ich weiß nicht einmal, was das bedeuten würde).
Bei verallgemeinerten linearen Modellen handelt es sich bei dem Modell um eine lineare Kombination, die Terme selbst können jedoch quadratisch sein. Ein nichtlineares Modell kann Ordnungsstatistiken (max / min) und / oder Division / Multiplikation von Termen haben, die nicht linear ausgedrückt werden können.
y = x + x ^ 2 ist immer noch ein GLM
y = cx / ax ist ein nichtlineares Modell.
Re:? re: ordinale logistische Regression, nichtlineare PrädiktorvariablenHallo,
Im linear Regressionsmodelle wird die Antwortvariable fortgesetzt.
Im logistisch Regressionsmodelle ist die Antwortvariable dichotom. Deshalb wählen wir die entsprechende Linkfunktion (probit, logit), um sie zu modellieren.
In allen GLM-Modellen können die Prädiktorvariablen stetig und diskret sein (nominal, ordinal).
Ich verstehe nicht (aber zwei sind nicht linear):
"Meine Antwortvariablen sind ordinal (Jugendlicher, junger Erwachsener, mittlerer Erwachsener, alter Erwachsener) und meine vier Prädiktorvariablen sind stetig, aber zwei sind nicht linear. "
Ihre Antwortvariable ist ordinal. Sie können es also auf 4 logistische Regression aufteilen:
- Wenn es sich um "jugendlichen" Code 1 handelt, modellieren andere Code 0 -> nur mit dieser dichotomen Antwort und allen anderen Prädiktorvariablen eine logistische Regression.
- Wenn es sich um "Young Adult" Code 1 handelt, modellieren andere Codes 0 -> nur mit dieser dichotomen Antwort und allen anderen Prädiktorvariablen eine logistische Regression.
- Wenn es sich um "mittleren Erwachsenen" -Code 1 handelt, modellieren andere Codes 0 -> nur mit dieser dichotomen Antwort und allen anderen Prädiktorvariablen eine logistische Regression.
- Wenn es sich um "mittleren Erwachsenen" -Code 1 handelt, modellieren andere Codes 0 -> nur mit dieser dichotomen Antwort und allen anderen Prädiktorvariablen eine logistische Regression.
Wie Sie erwähnt haben, können Sie auch die ordinale logistische Regression anpassen. Überprüfen Sie dies Beispiel auf der JMP-Website.
Weitere statistische Details zu diesen Modellen finden Sie in "Einführung in die Analyse kategorialer Daten" oder "Analyse kategorialer Daten" von Alan Agresti, Wiley.
