名义逻辑拟合<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />您好，名义上的物流适合。 我得到了一个显着的模型，所有参数对于效应 LRT 都是显着的。但所有参数估计都不显着。怎么会这样？？
回复：跟进-->回复：名义逻辑配合这些警告和指标表明模型很差。 我不会用它来预测结果（即分类）。 我会首先纠正较差的条件并验证模型假设。
跟进-->回复：名义逻辑拟合只是想澄清下面链接中的这个回复。最初的问题涉及名义逻辑回归中不稳定的参数估计。
”这是一个常见问题。 这是由于模型的某些参数在理论上变得无限大所致。 当模型完美地预测响应或者模型中的参数多于数据可以估计的参数时，就会发生这种情况（即，使用稀疏数据，其中“稀疏”意味着每个设置的重复很少或没有）协变量）。 一种解决方案是减少变量数量和/或将连续变量更改为分类变量。 无法知道要消除或分类哪个变量，因为所有变量都是同时涉及的。 由此产生的模型通常擅长对观察结果进行分类，但应避免对参数进行推断。”
我是否认为即使参数估计不稳定、有偏差或归零，如果仅用于分类，模型仍然可以使用？
回复：名义逻辑拟合谢谢，不过我用的不是专业版，太贵了
回复：名义逻辑拟合非常感谢您的重播，我会检查一下是否有我的参数之间的相关性
回复：名义逻辑拟合如果预测变量之间的多重共线性是一个问题，另一种可能的方法是，如果您正在运行 JMP Pro，则广义回归套索/弹性网络个性也是可行的建模选项。
回复：名义逻辑拟合您的参数估计是否标记为“不稳定”？ 如果是这样，您可能需要查看以下 JMP 注释： 36686 - 当我在 JMP® 中运行名义或有序逻辑回归时，我收到标记为“不稳定”的参数估计值。...
回复：名义逻辑拟合原因是自变量之间存在共线性。
整体检验只是表明包含所有变量的模型优于响应的平均值。
各个参数的显着性检验以模型中的所有其他参数为条件。
如果两个自变量之间存在显着相关性，并且对于解释响应都很重要，那么模型中的两个自变量与另一个变量之间都不显着。
共线性可能比两个变量相关更复杂。如果一个变量与其他几个变量的线性组合相关，则可能会发生这种情况，当一个变量有许多自变量时，这种情况很常见。
一般来说，解决方案是识别彼此高度相关的变量子集，并使用不太相关的子集。
不是 JMP 专家，更多的是 SAS，我将留给其他人就如何识别高度相关的子集提供更具体的建议
我想到的一些想法是研究成对相关性。另一个想法是使用分区平台来选择候选自变量。
如果您的目标是预测，那么使用递归分区就可以了。如果您的目标是推理，则使用递归分区来选择变量将使 p 值偏小，并使任何推理变得可疑。
