Diferencia entre GLM y Regresión Generalizada (binomial, logit)¡Hola!
He analizado los mismos datos usando 2 enfoques en JMP.
1) Modelo lineal generalizado, binomial, logit
2) Regresión generalizada, binomial, logit
Como puede ver, los valores de p son diferentes. ¿Puede explicar por qué?
¿Cómo puedo interpretar estos resultados con diferentes valores de p?
El conjunto de datos inicial es:
Re: Diferencia entre GLM y Regresión Generalizada (binomial, logit)El modelo lineal generalizado binomial con una función de enlace logit es un modelo de regresión logística para variables de respuesta categóricas con 2 resultados (p. ej., enfermo/sano, hombre/mujer, compra/no compra).La regresión logística nominal generalmente se refiere a la regresión logística con 3 o más niveles de la variable de respuesta categórica (por ejemplo, sabor de helado favorito: chocolate/vainilla/fresa/otro).¿Es esto lo que estabas preguntando?
Re: Diferencia entre GLM y Regresión Generalizada (binomial, logit)No entiendo tus preguntas.
Re: Diferencia entre GLM y Regresión Generalizada (binomial, logit)@Mark_Bailey ¡Hola, Mark! ¿Puede explicar también la diferencia entre Binomial GLZ con el logit frente a Solo hacer una regresión logística nominal? Entiendo que las opciones proporcionadas para la prueba son diferentes, pero ¿puede decirme por qué?
Re: Diferencia entre GLM y Regresión Generalizada (binomial, logit)El modelo GLM se ajustó mediante MLE. El modelo de Regresión Generalizada se ajustó mediante LASSO. LASSO es una forma de regresión penalizada. Utiliza la norma L-1 para la penalización de las estimaciones por selección de variables. Incluso si se selecciona una variable, las estimaciones se ven afectadas por la penalización. Las diferencias que encontramos se deben a la penalización. Cambia la estimación y el error estándar de la estimación, por lo que también cambia el Chi-cuadrado de Wald.
Pero yo pensar que puede haber un error en la forma de configurar el modelo. Debe proporcionar tanto los éxitos como los fracasos para una respuesta binomial. Parece que solo proporcionaste los éxitos. Además, el número de observaciones es incorrecto. Tienes muchas más de 4 observaciones como lo demuestran los Ensayos N.
Yo corregiría este modelo de la siguiente manera. Reste los éxitos de N intentos para obtener fallas. Apile las columnas Éxitos y Fracasos. Utilice la columna con los conteos en el rol de análisis de frecuencia y la columna de etiquetas (éxitos y fallas) como el rol de respuesta o Y.
Los dos factores son categóricos, así que asegúrese de que utilicen el tipo de modelado nominal. La tabla de datos se ve así ahora.
Seleccione Analizar > Ajustar modelo y complete el cuadro de diálogo de inicio de la siguiente manera:
Dejé la opción de regresión logística nominal para la personalidad adecuada, pero en este punto puede seleccionar GenReg o GLM con la distribución binomial y la función de enlace de inicio de sesión.
