일반적인 통계 질문-명목 형 로지스틱 회귀 분석 vs 윌 콕슨여보세요,
연속 변수가있는 큰 데이터 세트로 작업하는 경우-모델을 이진 결과 (alive / dead)로 사용하는 대부분의 시간을 이해하도록 도와주세요.
많은 연속 변수가 정규 분포를 따르지 않으므로 일반적으로 적합 모형 (Y = 결과, 모형 효과-가중치, 명목 로지스틱)으로 검정에 접근합니다. 주요 변수의 분포-무게 : 
물류 모델의 결과는 다음과 같습니다.
실제로 좋은 모델은 아니며 다른 변형을 시도했지만 변수 분포는 비정규 또는 로그 시간이 많이 걸립니다.
따라서 청중을 더 잘 이해하기 위해 다음과 같은 응답과 변수를 설정합니다 .Y by X (Y : Weight, X : result) 및 비모수 적 Wilcoxon 테스트를 수행하여 중요한 결과를 얻습니다 (p <0.05). 적합하지 않은 검정을 사용한 로지스틱 회귀 분석에서는 추세는 나타나지만 유의성은 없습니다 (p = 0.09).
그래서 무엇을해야합니까?
응답은 분명히 결과 (Y)이므로 적합 검정 부족이 긍정적 인 경우에도이 검정을 고수해야합니다. 많은 독자들이 로지스틱 회귀 분석에 익숙하지 않고 Quantile 차트를 선호하지만 결과는 가중치 (Y) 여야합니다.
어떤 테스트를 합법적으로 사용해야합니까?
로지스틱 회귀 분석에 적합하지 않음을 극복 할 수 있습니까?
마지막에 어떤 p 값을 사용할 수 있습니까? -비모수 테스트 결과에 대한 OR을 정의하는 방법이 있습니까?
고마워, 마크
재 : 일반 통계 질문-명목 형 로지스틱 회귀 분석 vs 윌 콕슨먼저, 다른 통계 기법과 그 사용법을 잊어 버리십시오. 매우 근본적인 질문이 있습니다. 분석의 목적은 무엇입니까? 무엇을하려고합니까? 당신이 알고 싶은 것이? 그런 질문부터 시작하여 적절한 분석과 비정규 변수로해야 할 일 (있는 경우)을 안내합니다. 많은 경우에, 정규성은 실제로 요구되지는 않습니다.
재 : 일반 통계 질문-명목 형 로지스틱 회귀 분석 vs 윌 콕슨문제는 특정 예측 변수가 특정 결과와 관련이 있는지 여부입니다 (대부분 내 분야-사망 / 생존). 이러한 후 향적 데이터 분석에서 우리는 일반적으로 특정 결과 (사망 / 생존)와 관련된 많은 잠재적 인 인구 통계 학적 임상 변수를 가지고 있습니다. 이 예에서 가중치는 예로 변수 중 하나였습니다.
재 : 일반 통계 질문-명목 형 로지스틱 회귀 분석 vs 윌 콕슨"연결됨"은 많은 것을 의미 할 수 있습니다. 상관 관계 값을보고 상관 관계가 높다고 말하면 변수가 연결됩니다. 나는 당신이 정말로 당신의 결과를 일으키는 원인을 찾고 있다고 생각합니다. 그것은 당신이 시작한 모델링 접근법을 의미합니다. 결과는 Y입니다. 다른 모든 것은 X입니다. 입력 간의 상관 관계로 인해 표시되지 않거나 일부 관계가 표시되지만 숨어있는 변수로 인해 발생하는 관계를 피하려면 가능한 모든 입력을 동시에 보는 것이 좋습니다.
정규성에 대해서는 입력 변수의 요구 사항이 아닙니다. 비뚤어진 입력을 변환하면 모델링에 도움이 될 수 있습니다. 당신이 보여주는 예에서, 나는 무게에 관심이 없지만 처음에는 (2 부근) 매우 큰 스파이크가있어 문제가 될 수 있습니다. 체중 로그를 가져 와서 결과로 변경되는지 확인하기 위해 입력으로 사용할 수 있습니다.
로지스틱 회귀 분석과 유사한 판별 분석 (DA)을 시도 할 수도 있습니다. 질문에 대답합니다. 데이터를 두 결과 값으로 가장 잘 분리하는 다변량 초평면을 찾을 수 있습니까? 이는 일원 분산 분석이 아닌 적절한 기술이며 여러 가능한 요인을 동시에 처리합니다. DA는 로지스틱 회귀보다 강력 할 수 있지만 정규 분포되는 데이터에 더 크게 의존합니다. 시도해 볼 수있는 또 다른 도구 일 수 있지만 비정규 성으로 인해 DA 전에 먼저 변환을 시도합니다.
