Différence entre GLM et régression généralisée (binomial, logit)Salut!
J'ai analysé les mêmes données en utilisant 2 approches dans JMP.
1) Modèle linéaire généralisé, binomial, logit
2) Régression généralisée, binôme, logit
Comme vous pouvez le voir, les valeurs de p sont différentes. Pouvez-vous préciser s'il vous plaît pourquoi?
Comment puis-je interpréter ces résultats ayant des p-values différentes ?
Le jeu de données initial est :
Re : Différence entre GLM et régression généralisée (binomial, logit)Le modèle linéaire généralisé binomial avec une fonction de lien logit est un modèle de régression logistique pour les variables de réponse catégorielles avec 2 résultats (par exemple malade/en bonne santé, homme/femme, achat/pas d'achat).La régression logistique nominale fait généralement référence à la régression logistique avec 3 niveaux ou plus de la variable de réponse catégorique (par exemple, saveur de crème glacée préférée : chocolat/vanille/fraise/autre).C'est ça que tu demandais ?
Re : Différence entre GLM et régression généralisée (binomial, logit)Je ne comprends pas vos questions.
Re : Différence entre GLM et régression généralisée (binomial, logit)@Mark_Bailey Salut Mark! Pouvez-vous également expliquer la différence entre Binomial GLZ avec le logit vs Just doing Nominal Logistic Regression. Je comprends que le test propose des options différentes, mais pouvez-vous me dire pourquoi ?
Re : Différence entre GLM et régression généralisée (binomial, logit)Le modèle GLM a été ajusté à l'aide de MLE. Le modèle de régression généralisée a été ajusté à l'aide de LASSO. LASSO est une forme de régression pénalisée. Il utilise la norme L-1 pour la pénalité sur les estimations pour la sélection des variables. Même si une variable est sélectionnée, les estimations sont affectées par la pénalité. Les différences constatées sont dues à la pénalité. Cela modifie l'estimation et l'erreur type de l'estimation, de sorte que le Chi carré de Wald change également.
Mais je pense qu'il peut y avoir une erreur dans la configuration du modèle. Vous devez fournir à la fois les réussites et les échecs pour une réponse binomiale. Il semble que vous n'ayez fourni que les réussites. De plus, le nombre d'observations est erroné. Vous avez beaucoup plus de 4 observations comme démontré par les essais N.
Je corrigerais ce modèle comme suit. Soustrayez les succès de N essais pour obtenir les échecs. Empilez les colonnes Succès et Échecs. Utilisez la colonne avec les décomptes dans le rôle d'analyse Freq et la colonne d'étiquette (Succès et échecs) comme réponse ou rôle Y.
Les deux facteurs sont catégoriques, assurez-vous donc qu'ils utilisent le type de modélisation nominal. La table de données ressemble maintenant à ceci.
Sélectionnez Analyser > Ajuster le modèle et remplissez la boîte de dialogue de lancement comme suit :
J'ai laissé le choix de la régression logistique nominale pour la personnalité appropriée, mais à ce stade, vous pouvez sélectionner GenReg ou GLM avec la distribution binomiale et la fonction de lien de connexion.
