Unterschied zwischen GLM und verallgemeinerter Regression (binomial, logit)Hi!
Ich habe dieselben Daten mit zwei Ansätzen in JMP analysiert.
1) Verallgemeinertes lineares Modell, binomial, logit
2) Verallgemeinerte Regression, binomial, logit
Wie Sie sehen können, sind die p-Werte unterschiedlich. Können Sie bitte erläutern, warum?
Wie kann ich diese Ergebnisse mit unterschiedlichen p-Werten interpretieren?
Der Ausgangsdatensatz ist:
Betreff: Unterschied zwischen GLM und generalisierter Regression (binomial, logit)Das binomiale verallgemeinerte lineare Modell mit einer Logit-Link-Funktion ist ein logistisches Regressionsmodell für kategoriale Antwortvariablen mit 2 Ergebnissen (z. B. krank/gesund, männlich/weiblich, Kauf/kein Kauf).Die nominale logistische Regression bezieht sich normalerweise auf eine logistische Regression mit 3 oder mehr Stufen der kategorialen Antwortvariablen (z. B. Lieblings-Eiscremegeschmack: Schokolade/Vanille/Erdbeere/andere).Ist es das, was Sie gefragt haben?
Betreff: Unterschied zwischen GLM und generalisierter Regression (binomial, logit)Ich verstehe deine Fragen nicht.
Re: Unterschied zwischen GLM und generalisierter Regression (binomial, logit)@Mark_Bailey Hallo Mark! Können Sie auch den Unterschied zur binomialen GLZ mit dem Logit gegenüber der reinen nominalen logistischen Regression erklären? Ich verstehe, dass der Test unterschiedlich ist, aber können Sie mir sagen, warum das so ist?
Re: Unterschied zwischen GLM und generalisierter Regression (binomial, logit)Das GLM-Modell wurde mit MLE angepasst. Das verallgemeinerte Regressionsmodell wurde mit LASSO angepasst. LASSO ist eine Form der bestraften Regression. Es verwendet die L-1-Norm für die Strafe auf die Schätzungen für die Variablenauswahl. Selbst wenn eine Variable ausgewählt wird, werden die Schätzungen von der Strafe beeinflusst. Die gefundenen Unterschiede sind auf die Strafe zurückzuführen. Es ändert die Schätzung und den Standardfehler der Schätzung, sodass sich auch das Wald-Chi-Quadrat ändert.
Aber ich denken dass bei der Einrichtung des Modells möglicherweise ein Fehler vorliegt. Sie müssen sowohl die Erfolge als auch die Fehler für eine binomiale Antwort angeben. Anscheinend haben Sie nur die Erfolge angegeben. Auch die Anzahl der Beobachtungen ist falsch. Sie haben viel mehr als 4 Beobachtungen, wie die N-Versuche zeigen.
Ich würde dieses Modell wie folgt korrigieren. Subtrahieren Sie Erfolge von N Versuchen, um Misserfolge zu erhalten. Stapeln Sie die Spalten Erfolge und Fehler. Verwenden Sie die Spalte mit den Zählungen in der Häufigkeitsanalyserolle und die Beschriftungsspalte (Erfolge und Fehler) als Antwort oder Y-Rolle.
Die beiden Faktoren sind kategorisch, stellen Sie also sicher, dass sie den nominalen Modellierungstyp verwenden. Die Datentabelle sieht jetzt so aus.
Wählen Sie Analysieren > Modell anpassen und füllen Sie den Startdialog wie folgt aus:
Ich habe die Auswahl der nominellen logistischen Regression für die passende Persönlichkeit gelassen, aber an dieser Stelle können Sie GenReg oder GLM mit der Binomialverteilung und der Login-Link-Funktion auswählen.
