名义 Logistic 回归 - Logistic 拟合和预测刻画器看起来相反晚上好，提前感谢您的帮助！
在我的硕士项目中，我试图进行名义逻辑回归，以表明随着入侵植物物种基径的增加，其在除草剂处理后重新发芽的可能性也会增加。 数据似乎确实表明了这一点，并且预测刻画器（如图）似乎支持这一点，但创建的图表似乎显示了相反的情况（如图）。
几个问题：
1）为什么我的数据点到处都是？ 它们不应该表示为 1 或 0 吗？
2）为什么y轴上的响应是连续的？ 这是预测的百分比吗？ 我的响应变量显示在右侧。
3）为什么两者看起来相反？ 有什么我可以做的吗？
我尝试改变值排序，但收到相同的结果（相反的曲线）。
谢谢你！
回复：名义 Logistic 回归 - Logistic 拟合和预测刻画器看起来相反请遵循 Kevin 的出色建议并阅读 Logistic 平台的 JMP 文档。 同时，我将回答你的具体问题。
- 这马赛克图平台顶部使用连续预测值作为横坐标。 它为纵坐标生成一个统一的随机值，使得该点位于坐标的正确一侧（下方或上方）逻辑曲线。 这个“技巧”很有用，因为它有助于您对数据与拟合度进行视觉评估。 它为您提供了确定拟合曲线的数据点的分布和质量的诚实描述。
- 响应是可能性结果的回应=重新发芽，而不是结果本身。 （许多用户天真地用数字代码（例如 0 和 1）替换分类级别，并使用普通最小二乘回归，但这种方法是无原则的、有问题的，并且通常不令人满意。）概率在逻辑回归中进行转换，以适应概率的行为和假设的回归。
- 概率的范围是 [0,1]。 线性回归中的响应根本没有界限。
- 概率曲线不是线性的。 它在预测变量的极值处表现出渐近线。 线性（在参数中）回归假设线性（在参数中）关系。 您可以将预测变量的变换（例如，X^2、X^3）添加到线性组合中，但它仍然无法很好地逼近概率曲线，无法在实际中发挥作用。
- 概率的变换分两个阶段进行。
- 首先，概率回应=重新发芽被转换为赔率的回应=重新发芽。 也就是说，赔率 = P(回应=重新发芽) / P ( 不回应=重新发芽) 或赔率 = P(回复=重新发芽) / (1 - P(回应=重新发芽））。 赔率的范围是 [0,+无穷大]。 这一变化对于线性回归来说是一个很大的改进，但还不够。
- 其次，使用（自然）对数函数将赔率转换为 log( odds )。 log( odds ) 的界限是 [-无穷大,+无穷大]。 最后一个更改满足回归分析的无界线性响应假设。
- log( 赔率 ) 也称为对数或 logit( P( Resprout ) )。
- 逻辑回归模型现在是 log( odds ) = a + bX，X 的线性函数，就像任何其他线性回归一样。 （请注意，如有必要，您还可以包括其他预测变量、交互作用和功效。）
- 为了绘图和解释，拟合后 log( odds ) 被转换回概率。
- 我不太清楚你所说的“相反”是什么意思，但让我解释一下你的例子中显示的结果。
- 检查马赛克图的右侧。 请注意，这两个级别回应出现并用刻度线分隔它们。 该量表表示边际概率结果。 从原点（0）到刻度线的距离表示第一级案例的比例，回应=重新发芽。 刻度线到顶部 (1) 的距离表示第二级案例的比例，回应=没有任何。 如果您从右侧的刻度线到左侧的概率刻度画一条水平直线，它将代表回归的原假设：回应=重新发芽不依赖于预测器基础测量。
- 检查逻辑曲线。 它表明条件概率那回应=重新发芽。 它代表了回归的替代假设：回应=重新发芽取决于预测器基础测量。 的概率回应=重新发芽接近于零时基础测量接近 5，但当基础测量已经快40了。
如果您有兴趣，我们将涵盖所有形式的逻辑回归和其他适合分类响应的方法JMP 软件：分析离散响应课程。
回复：名义 Logistic 回归 - Logistic 拟合和预测刻画器看起来相反嗨，卡斯蒂尔！
你也晚上好。
请参考“帮助”菜单下的《拟合线性模型》一书的第 11 章“Logistic 回归模型”。 “帮助”菜单中的 JMP 书籍非常有帮助，可以帮助您解决有关图形响应和解释的困惑。
名义回归模型的拟合概率总和为 1。这两个图都表明，当基础测量值较低时，Resprout 概率较低；反之亦然。当基础测量值较高时，重新发芽的概率较高。
这不就是你想证明的吗？ 这些图（两个）都与该假设一致。
