Ich habe 3 kontinuierliche Faktoren und eines der Ergebnisse der Studie war, ob das Produkt bestanden oder nicht bestanden wurde (Daten sind beigefügt). Wenn ich versuche, eine ordinale Logistik dafür durchzuführen, erhalte ich die Fehlermeldung 'ALERT: FAILED TO CONVERGE (SCHRITT-HALVING LIMIT) 'und nach der Warnung gibt es mir eine Ausgabe, aber nicht sicher, ob die Ergebnisse zuverlässig sind oder nicht. Warum erhalte ich diesen Fehler und wie kann ich ihn beheben?
Ich habe im Moment kein JMP. Haben Sie ein Trennungsproblem? Haben Sie im Dialogfeld "Modell anpassen" die Option "Firth-Bias-Anpassung" ausgewählt?
@markbailey Ich denke, dies ist ein Trennungsproblem (ich habe nur wenige Artikel gelesen und ich denke, es ist ein Trennungsproblem). Nein, ich habe nicht ausgewählt Option zur Anpassung der Firth Bias im Dialogfeld "Modell anpassen"
Ich denke, das Problem ist, dass Sie "perfekte Trennung" in den Daten haben. Siehe das 3D-Streudiagramm der 3 Faktoren, Farbe / markiert durch Bestanden / Nicht Bestanden (Bestanden ist grüne Pyramide, Bestanden ist roter Kreis). Sie können eine Ebene in diesem Bereich zeichnen, die die Pass / Fail-Ergebnisse trennt. Um eine logistische Regression ohne Konvergenzfehler durchzuführen, müssen sich die Bedingungen im Faktorraum überlappen und nicht bestehen. Wenn Sie die Anpassung in Generalized Regression nur mit Haupteffekten durchführen, werden Sie feststellen, dass einer der Faktoreffekte nicht geschätzt werden kann.
Es ist ein bisschen merkwürdig, dass Sie, wenn Sie die logistische Regression mit den Haupteffekten + Zwei-Faktor-Wechselwirkungen in der allgemeinen Regression anpassen, keinen Fehler erhalten (es muss eine Parameter-Regularisierung durchgeführt werden?), Aber für diese Anpassung sehen Sie das Alle Haupteffekte sind nicht signifikant, aber die Wechselwirkungen zwischen zwei Faktoren sind alle signifikant. Das ist auch sehr ungewöhnlich, was darauf hinweist, dass das Modell überbestimmt ist. Auch die Konfidenzintervalle für die Parameterschätzungen sind riesig, was ebenfalls auf das Problem der Trennung hinweist.
Sie können versuchen, das ordinale logistische Regressionsmodell mithilfe der "Ridge" -Schätzmethode anzupassen (die eine Parameterschrumpfung bewirkt und dabei hilft, einige der Trennungsprobleme zu überwinden, und das Auslassen als Validierungsmethode verwendet (zur Auswahl verwendet) der optimale Ridging-Parameter). Dies ergibt eine stabile Modellanpassung, Sie müssen jedoch noch prüfen, ob dieses Modell sinnvoll ist.
