無截距的廣義線性模型你好，
我需要你的幫助。 我想用 GLM 進行分析，但不進行攔截。 我無法選擇“不攔截”選項。
我想得到同樣的結果： http://support.sas.com/kb/24/992.html
我不知道如何在 GLM、distribution=Binomial、Link=Logit 中取得選項“No Intercept”
回覆：無截距的廣義線性模型非常感謝！ 我欠你的情:)回覆：無截距的廣義線性模型你好@mhans ,
這在標準 JMP 中是可能的，但需要對錶進行輕微的重組。 您需要的是贏或輸的名義結果變量，而您擁有的是這些發生頻率的總結表。 我在這裡附上了這樣一個擴展表，並保存了名義上的邏輯腳本（下面將詳細討論）。 請注意這些表格的形式，下圖中是選擇了第一行的原始表格，底部是展開的表格，選擇了與該匯總行相對應的 13 行。 請注意，有 13 場比賽，即 Mil 和 Det 之間的 13 場比賽，其中 7 勝 6 負，這反映了頂部表中的勝利 = 7。 
此模型的設定非常簡單：分析 > 擬合模型，結果為 Y，所有團隊為模型效應，並選取「無攔截」。 
這將返回以下輸出，您將看到匹配的內容：
Fit Model(
Y( :Outcome ),
Effects( :mil, :det, :tor, :new, :bos, :cle, :bal ),
No Intercept( 1 ),
Choose High Target( 1 ),
Personality( "Nominal Logistic" ),
Run( Likelihood Ratio Tests( 1 ), Wald Tests( 0 ) ))
這裡廣義迴歸的增值之處在於，您可以在定義 y 變數時直接指定 win/total 結構，該結構在背景處理擴充。
@朱利安
回覆：無截距的廣義線性模型你好@朱利安,
哇，謝謝你！ 我發現，在 JMP 中這是可能的。 我只有“普通”版本的 JMP。 是否可以使用普通版本（如沒有截距或 GLM 的邏輯迴歸）來實現此模型？
如果沒有，您可以將 pdf 形式的輸出發送給我嗎？
向這個解決方案致敬。
回覆：無截距的廣義線性模型你好@mhans ,
我更好地理解你現在想做什麼。 要匹配這些結果（Bradley-Terry 模型），您需要使用廣義回歸平台，該平台僅在 JMP Pro 中可用。 我已附加該 SAS 範例中使用的資料表的 JMP 版本，並將腳本儲存到表中。 以下是重現此問題的步驟：
1. 啟動分析 > 擬合模型。
2. 將廣義迴歸指定為個性，並將分佈指定為二項式。
3. 輸入 Win 和 Total 作為 Y，Columns，並輸入所有預測變數作為模型效應。
4. 勾選底部的「無攔截」。
您的“擬合模型”對話框現在應如下所示：
5. 按一下“執行”，然後在出現的對話方塊中，指定 Logistic 迴歸為估計方法，然後按一下“執行”：
這將傳回以下輸出，您可以確認該輸出與 SAS 結果相符。
這是此分析的 JSL，也保存到附表。
Fit Model(
Y( :win, :total ),
Effects( :mil, :det, :tor, :new, :bos, :cle, :bal ),
No Intercept( 1 ),
Personality( "Generalized Regression" ),
Generalized Distribution( "Binomial" ),
Run(
Fit( Estimation Method( Logistic Regression ), Validation Method( None ) )
)
);
我希望這有幫助！
@朱利安
回覆：無截距的廣義線性模型你好@朱利安,
感謝您的回覆。 我厭倦了使用名義上的邏輯人格。 反應變數 y 應該是標稱的，我的變數 y 是公制的（0 到 1 之間，獲勝的百分比）。 我使用變數 y: 1 或 -1 為我的資料建立了一個新結構，並將資料複製到表單中
1 -1 0 0 0 0 0 7 1
1 0 -1 0 0 0 0 9 1
(...)
0 0 0 0 0 1 -1 6 1
(new part of data)
-1 1 0 0 0 0 0 6 -1
-1 0 1 0 0 0 0 4 -1
(...)
0 0 0 0 0 -1 1 7 -1
結果與 SAS 中的結果不一樣。我不知道如何重現它...
回覆：無截距的廣義線性模型你好@mhans ,
不像廣義線性模型個性，即名義物流透過勾選「擬合模型」對話方塊視窗中的「無截距」框，可以在沒有截距的情況下運行擬合模型中的個性。 假設您尚未檢查 Firth 偏差調整估計值（選取此框，模型估計值將有所不同），此個性將傳回與具有二項式誤差分佈和 logit 連結函數的廣義線性模型個性相同的結果。 也許這適合您的情況？
@朱利安
