GLM と一般化回帰の違い (二項、ロジット)やあ！
JMP で 2 つのアプローチを使用して同じデータを分析しました。
1) 一般化線形モデル、二項、ロジット
2) 一般化回帰、二項、ロジット
ご覧のとおり、p 値は異なります。 理由を詳しく教えてください。
異なる p 値を持つこれらの結果をどのように解釈できますか?
初期データセットは次のとおりです。
Re: GLM と一般化回帰の違い (二項、ロジット)ロジット リンク関数を使用した二項一般化線形モデルは、2 つの結果 (病気/健康、男性/女性、購入/未購入など) を持つカテゴリ応答変数のロジスティック回帰モデルです。ノミナル ロジスティック回帰は通常、3 レベル以上のカテゴリ応答変数を使用するロジスティック回帰を指します (例: 好きなアイスクリームの味: チョコレート/バニラ/ストロベリー/その他)。これはあなたが求めていたものですか？
Re: GLM と一般化回帰の違い (二項、ロジット)あなたの質問がわかりません。
Re: GLM と一般化回帰の違い (二項、ロジット)@マークベイリーハイマーク！ また、ロジットを使用した二項GLZとノミナルロジスティック回帰の違いを説明できますか。 提供されるオプションが異なるテストについては理解していますが、その理由を教えていただけますか?
Re: GLM と一般化回帰の違い (二項、ロジット)GLM モデルは、MLE を使用して適合されました。 一般化回帰モデルは、LASSO を使用して適合されました。 LASSO は、ペナルティ付き回帰の一種です。 変数選択の推定値のペナルティに L-1 ノルムを使用します。 変数が選択されていても、推定値はペナルティの影響を受けます。 見つかった違いは、ペナルティによるものです。 推定値と推定値の標準誤差が変化するため、Wald カイ 2 乗も変化します。
しかし、私考えるモデルの設定方法に誤りがある可能性があります。 二項応答の成功と失敗の両方を提供する必要があります。 あなたは成功したものだけを提供したようです。 また、観測数が間違っています。 N 試行で示されているように、4 つよりも多くの観測値があります。
このモデルを次のように修正します。 N 試行から成功を引いて、失敗を取得します。 成功列と失敗列を積み上げます。 度数分析ロールのカウントの列とラベル列 (成功と失敗) を応答または Y ロールとして使用します。
2 つの因子はカテゴリカルであるため、必ずノミナル モデリング タイプを使用してください。 データテーブルは現在このようになっています。
[分析] > [モデルの適合] を選択し、起動ダイアログに次のように入力します。
私はフィッティングパーソナリティのために公称ロジスティック回帰の選択を残しましたが、この時点で、二項分布とログインリンク機能を使用して GenReg または GLM を選択できます。
