具有多个结果变量的逻辑回归<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我正在对一个数据集进行逻辑回归分析，其中结果具有多个分类变量。在本例中，我使用在场的总人数（连续变量）来预测长臂猿的行为（行为是分类的）。我试图使用参数估计来确定哪些特定行为受到人数的影响，但我在互操作结果时遇到困难。我可以看到每个单独行为的结果，并且 Wald 测试可以显示该行为是否受人数影响，但我列表中按字母顺序排列的最后一个行为（发声）不会输出任何数字，所以我不知道如何看看这个变量是否受到影响。我是否正确地互操作了这些结果？如何查看最后一个行为（发声）是否受人数影响？
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比这不是真的。 这条路也很不容易。 它比使用“保存”命令更困难。 参数估计值不是优势或优势比的估计值。 该注释只是逻辑回归问题的重新陈述。 线性预测器位于模型方程的右侧，logit 函数位于左侧。 您在参数估计表底部看到的注释只是线性预测变量使用的 logits 的记录。
如果保存此估计表，则必须创建一个列公式来计算每行的 logit 值。 然后，您必须为每个响应级别添加另一个列公式来反向预测概率。 这就是“保存”>“保存概率”命令为您所做的事情。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比感谢您的及时回复。
除了保存概率公式并自己计算优势比之外，我还独立地在多项逻辑模型上显示的参数估计数据底部看到了“对于结果 A/结果 C、结果 B/结果 C 的对数优势” “其中结果 C 是我的参考结果。我是否可以通过将这些数据转换为数据表并使用公式 exp(Estimate) 插入新列来计算优势比？
我发现了一个单独的帖子也引用了这个 --> https://community.jmp.com/t5/Discussions/Logistic-regression-with-multiple-outcome-variables/mp/110579/highlight/true#M39763
这似乎太容易让人难以置信了。
再次感谢你。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比单击平台顶部的红色三角形并选择保存 > 保存概率公式。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比嗨马克，
我正在对具有三个水平的结果变量执行多项逻辑回归。我一直在试图找出如何找到比值比，最后发现了你之前的答案。
如何保存概率公式？
先感谢您。
回复：具有多个结果变量的逻辑回归有点简单的基于 GUI 的解决方案：在参数估计表中，我双击了该表。 我选择了“制作成数据表”选项。 JMP 生成数据表后，我创建了一个新列，并将其命名为优势比。 然后我在“列”菜单中选择了“公式”选项。 进入公式窗口后，我编写了公式：exp（估计）。 输出是估计的优势比。 为了再次检查，我将估计值复制粘贴到 R 中并使用 R 中的 exp 函数。 它给出了相同的结果。 华泰
回复：具有多个结果变量的逻辑回归我检查了我们的学习资源，但没有发现有关名义逻辑回归的教程。 （请参阅 JMP 主页菜单上选择学习 JMP 中的项目。）然后我检查了我们的 YouTube 帐户，发现了本教程多元逻辑回归。 还有JMP 中的逻辑回归简介及教程在YouTube上。 它更全面地涵盖了逻辑回归，但仅针对结果。 它不涵盖多项逻辑回归。
我们提供此培训课程，涵盖以下主题：分析离散响应。 我们介绍此类模型的起源、使用和解释，以及如何在 JMP 中执行此回归。
回复：具有多个结果变量的逻辑回归我使用的是 JMP 13 Pro，不是学生版。
回复：具有多个结果变量的逻辑回归是否有具有多种结果的逻辑回归的教程/视频？
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比是的，每一行（个人）都会从赔率公式中得到结果。
是的，您可以使用平均赔率。 使用桌子>概括或者分析>制表获取每个组或子组的结果。
手工计算就像你说的 Pr(A 组) 除以 Pr(不是 A 组) 或其他什么。 优势比是不同条件下（治疗、未治疗）的优势比。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比我懂了！ 谢谢你！
后续跟进~
当我使用 Prob[X] 列计算赔率 t(Prob[X1] 除以 Prob[X2]) 时，这将给出该赔率个人， 正确的？
当我在论文中报告这一点时，我需要报告每个组的优势以及比较组的优势比（例如，F 治疗与 M 治疗或未治疗）。
当计算小组赔率时，我只需平均赔率对于那个群体？
我意识到这更像是一个统计问题，而不是 JMP 的问题，但大多数程序都会计算组赔率，因此我找不到有关如何手动执行此操作的其他文档。谢谢你！
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比Lin[X] 列包含您拟合的 logit 函数的线性预测变量。 如果您检查公式，您将看到与逻辑回归结果中显示的相同参数估计值。 除非您需要 logit，否则您不需要它！
线性预测器依次用于计算每个响应级别的概率，即 Prob[X]。 （它来自于求解 p 的 log( p / (1-p) ) = Lin[X]。）此概率对于您的目的最有用。 请注意，如果您选择图形 > 刻画器并选择 Prob[X]，请务必启用该功能来扩展中间公式，否则您将根据 Lin[X] 而不是实际的预测变量进行刻画。
您可以使用新列公式中的 Prob[X] 列来计算您想要的任何赔率，即 Prob[X1] 除以 Prob[X2]。 同样，您可以根据以这种方式得出的赔率来计算您想要的任何赔率比。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比亲爱的马克，
感谢您的帮助！我当然希望 JMP 自动执行此操作。 也许在版本 14 中:)
当我保存概率公式时，我得到以下列
Lin [F] Lin [B] 概率 [F] 概率 [B] 概率 [M] 最可能的结果
其中 F、B 和 M 是我的结果，M 是参考类别。
问题：
Lin[ ] 列告诉我什么？
计算二元逻辑回归并不是那么困难，但我认为这有点棘手。
我如何
- 计算每个人的赔率？
- 计算每个结果类别组的赔率？
一旦我得到了每个结果组的赔率，我只需将这些赔率除以参考组的组合赔率即可得到赔率比（例如，F 与 M 相比）。 那是对的吗？
感谢您分享您的统计知识！
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比我想我知道问题是什么，你引用的例子有一个二进制结果。 然而，听起来您的数据有两个以上的级别。 在这种情况下，JMP 不会计算优势比。 不过，您可以保存概率公式，并用它们计算赔率和赔率比。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比优势比可用于物流平台（从 Fit Y by X 开始）和标称逻辑拟合平台（从 Fit Model 开始）。 使用您上面引用的教程示例，我使用第一个平台得到了这个结果：
我使用第二个平台得到这个结果：
请注意，优势比仅适用于名义响应。
回复：具有多个结果变量的逻辑回归 - JMP 中的优势比我正在运行多项多项 Logisitc 回归，但无法让 JMP 计算优势比，如下所示教程使用罐装数据集。
按照上述说明进行操作：
当我使用 fit Y by X（是否广播）时，优势比选项不会出现（请参见下面的第一和第二个屏幕截图）。
我可以找到分析器，但我实际上正在寻找比值比，以便我可以将它们与我已经手动计算的比值比进行比较（请参见右侧的第三个屏幕截图）。
有没有其他人有这个问题？您是否曾经能够让 JMP 计算多项多项 Logistic 的优势比？
感谢您的帮助！
回复：具有多个结果变量的逻辑回归作为更新，这就是我现在正在做的事情：我使用标准二项式逻辑回归单独运行每个行为，将行为发生时的评分为 1，所有其他行为的评分为 0（仅当名义逻辑回归显着时）。我这样做只是为了常见的行为。这最终成为我想要比较的内容（一种行为与多人的所有其他行为）。我现在遇到的唯一问题是我是否需要对运行多个测试（例如 bonferroni）进行修正。我只运行 5 种行为（喂食、不可见、睡眠、休息、旅行、发声），所以我不确定是否需要纠正。我知道 bonferroni 可能有点保守，所以我有点犹豫是否使用它，除非看起来确实有必要。
回复：具有多个结果变量的逻辑回归使用 LRT 来判断重要性并选择您的模型。 一旦该部分完成，然后使用模型来计算优势比。
使用预测刻画器计算概率，然后计算给定预测变量级别的事件与非事件的几率。 更改预测因子水平，获取更新的概率，并计算新的赔率。 然后您可以计算该比率。 通过这种方式，您可以计算任何事物的优势比。
回复：具有多个结果变量的逻辑回归您能给我更多关于预测分析器的信息吗？当我使用拟合模型而不是用 x 拟合 y 运行测试时，我能够得到该数字，但我不确定如何估计每个预测的几率。我得到的是一个像我制作的图形，但上面也有红色的水平线。红色下拉箭头中有几个选项，但我不确定哪个选项测试每个预测。事实上，饮酒是一种罕见的行为，我认为这就是它不稳定的原因。
我在运行优势比时遇到问题，因为 jmp 不会给我该选项，因为有超过 2 种行为。我认为这就是我需要做的，但我似乎无法让 jmp 做到这一点。该选项不会出现在下拉三角形上，除非我编写一个新的数据表，该数据表的响应变量中只有 2 个可能的结果。我可以使用预测分析器，但我不太熟悉它的工作原理。
再次感谢
回复：具有多个结果变量的逻辑回归两个参数估计不稳定的事实表明 DRINK 可能是一种不常见的行为。
解释逻辑回归的最简单方法是通过优势比 - 即 exp（参数估计）和预测概率。 我不知道 JMP，但如果你有 SAS/STAT，我写了一篇关于多项式逻辑的论文。它是这里：
回复：具有多个结果变量的逻辑回归拟合模型中的名义 Logistic 回归特性应该会有所帮助。 您可以通过单击平台顶部的红色三角形来获取优势比。 此外，您还可以使用预测刻画器来估计任何条件下所有级别的概率，然后计算赔率。 现在更改条件（预测水平）并重复计算。 现在计算优势比。
回复：具有多个结果变量的逻辑回归就像你已经布置好了一样。长臂猿一次只能做一种行为，但它可以做多种行为，例如进食、旅行、发声、梳理毛发等。我想做的是看看在场的人数如何影响长臂猿做出某种行为的可能性，例如，当更多的人在场时，长臂猿是否会减少进食的时间。逻辑回归告诉我整个模型的 p 值，所以我可以看到人数确实影响长臂猿的行为，但我想做的是看看哪些个人行为正在驱动模型 - 我想要某种带有 p 值的统计数据向我展示了哪些行为实际上正在发生变化。我现在所做的就是查看输出图并描述行为如何变化。输出如下所示。我尝试插入图形，但没有成功。但我发现我无法进行优势比测试，因为我的反应（行为）有两个以上的变量。
总体人类行为的逻辑拟合
全模型测试
模型 | -对数似然 | DF | 卡方 | 问题>卡方 |
不同之处 | 37.2401 | 11 | 74.48025 | <.0001* |
满的 | 1162.7796 | | | |
减少 | 1200.0197 | | | |
| |
R 方 (U) | 0.0310 |
AICc | 2371.15 |
商业银行 | 2468.39 |
观察结果（或权重总和） | 660 |
| |
| |
| |
措施 | 训练 | 定义 |
熵 R 方 | 0.0310 | 1-Loglike(模型)/Loglike(0) |
广义R方 | 0.1096 | (1-(L(0)/L(模型))^(2/n))/(1-L(0)^(2/n)) |
均值对数 p | 1.7618 | Σ -Log(ρ)/n |
均方根误差 | 0.7987 | √ Σ(y-ρ)²/n |
平均腹肌发育 | 0.7918 | Σ|y-ρ|/n |
误分类率 | 0.6727 | Σ (ρ≠ρMax)/n |
氮 | 660 | n |
| | |
参数估计
学期 | | 估计 | 标准误差 | 卡方 | 问题>卡方 |
拦截[喝水] | 不稳定 | 9.3119005 | 1537.0201 | 0.00 | 0.9952 |
人类总数[饮料] | 不稳定 | -13.895268 | 1537.0192 | 0.00 | 0.9928 |
拦截[进给] | | -1.5746952 | 0.2067421 | 58.01 | <.0001* |
总人口[饲料] | | 0.45943506 | 0.0703651 | 42.63 | <.0001* |
拦截[新郎] | | -3.8964691 | 0.7363762 | 28:00 | <.0001* |
人类总数[新郎] | | 0.17142825 | 0.2657919 | 0.42 | 0.5189 |
拦截[新郎接收者] | | -5.9062151 | 1.021258 | 33.45 | <.0001* |
人类总数[新郎接收者] | | 0.60419887 | 0.1604264 | 14.18 | 0.0002* |
拦截[悬挂] | | -3.4626526 | 0.5849713 | 35.04 | <.0001* |
人类总数[Hang] | | 0.187694 | 0.2073532 | 0.82 | 0.3654 |
拦截[不可见] | | -0.9158515 | 0.1862225 | 24.19 | <.0001* |
总人口[不可见] | | 0.35203714 | 0.0696868 | 25.52 | <.0001* |
拦截[其他] | | -7.0115111 | 1.4481919 | 23.44 | <.0001* |
总人口[其他] | | 0.71085044 | 0.1806613 | 15.48 | <.0001* |
拦截[休息-睡眠] | | -2.0491431 | 0.2866187 | 51.11 | <.0001* |
人类总数[休息 - 睡眠] | | 0.25952368 | 0.0987496 | 6.91 | 0.0086* |
拦截[休息-静止] | | -1.703556 | 0.2215666 | 59.12 | <.0001* |
人类总数[休息 - 静止] | | 0.40532436 | 0.0739462 | 30.05 | <.0001* |
拦截【自我修饰】 | | -5.34457 | 1.6699724 | 10.24 | 0.0014* |
人类总数[自我修饰] | | 0.09443149 | 0.6681153 | 0.02 | 0.8876 |
拦截[旅行] | | -1.709588 | 0.2321228 | 54.24 | <.0001* |
总人口[旅行] | | 0.34947804 | 0.0784157 | 19.86 | <.0001* |
对于饮料/发声、喂食/发声、梳理/发声、梳理接收者/发声、悬挂/发声、不可见/发声、其他/发声、休息 - 睡眠/发声、休息 - 静止/发声、自我梳理/发声的对数赔率, 旅行/发声
回复：具有多个结果变量的逻辑回归您无法在一次逻辑运行中使用多个因变量进行逻辑回归。 但也许你有一个因变量 - 长臂猿的行为 - 具有多个级别？“行为”如何运作？ 数据是这样的吗：
案例 ID 人数 人员行为
1 3 A
2 2 B
3 5 A
4 2 C
ETC。？ 或者每只长臂猿都会有多种行为？ 或者每只长臂猿都参与多个案件？ （在这种情况下，您需要某种形式的多级模型，可能使用 GLIMMIX？
回复：具有多个结果变量的逻辑回归我必须承认，我不知道学生版中可用的 JMP 功能子集，但请尝试这些建议并让我知道您的发现。
1. 使用 Fit Y by X，启动 Logistic 平台。 您已经找到了用于判断显着性的 Wald 检验的 p 值。 单击窗口顶部的红色三角形并选择优势比。 其中两个出现在参数估计值和 p 值的右侧。 这单位优势比是预测变量 1 个单位变化的比率。 另一个优势比是预测变量整个范围（最小值到最大值）的变化。
（注意：如果您启动具有多个响应的 Logistic，您将在同一窗口中获得并行模型。 尝试以下操作：按住 Windows 上的 CTRL 键或 Macintosh 上的 Command 键，然后单击红色三角形。 这样，将为所有响应计算优势比，而不是一次询问一个响应。 这个技巧叫做广播并且适用于 JMP 中的大多数功能！）
2. 或者，选择分析 > 拟合模型。 将您的响应分配给 Y 角色，并将您的预测变量添加到效果列表中。 单击“运行”按钮，您应该获得与 Logistic 中相同的基本分析，但重要性有所不同。 参数估计使用似然比检验而不是 Wald 检验。 另外，单击顶部的红色三角形并选择探查器 > 探查器。 它将出现在窗口底部。 现在，刻画器会向您显示每个响应级别的预测概率。 您可以估计预测变量的某个参考水平下的概率，然后估计其他条件下的概率并形成您可能需要的任何优势比。
Logistic 和 Nominal Logisitic Fit 平台还有更多功能，但我不想一下子让大家不知所措。 如果此解释有帮助，或者您还有其他困难或问题，请告诉我。
回复：具有多个结果变量的逻辑回归谢谢您的帮助。我有 JMP 学生许可证。我找不到优势比测试，也无法弄清楚如何将分析器与非数字值一起使用。你知道我如何访问这些功能吗？我只是运行 y by x 拟合分析，所以我也不知道如何表明我正在运行名义逻辑回归。
回复：具有多个结果变量的逻辑回归如果响应变量的水平超过两个，则您正在使用序数或名义逻辑回归。 在这两种情况下，累积 logits 或广义 logits 分别使用最后一个级别的赔率，因此无法估计。 因此，如果有 k 个级别，则有 k-1 个 logits 及其相关参数。
解释这些 Logits 的最佳方法是通过优势比（相对于最后一个水平）或使用特定的可视化，例如 JMP 中的预测刻画器。
