Logistic回归中的参数化选择和模型比较。尊敬的论坛成员，
我正在使用因变量（Target）分析此数据集，使用logistic回归进行假设检验，而不是对该实际数据进行预测。
我想利用模型参数化来评估随时间（年）的趋势是否更强（恒定），或者瞬时变化作为突破点是否更有意义。
单独使用时，使用连续的Year变量可以使模型更相似或更合适。另一方面，技术变化首先是建模的原因，因此不容忽视。
一旦与相互作用放在一起，所有参数都是微不足道的（也许是多重共线性，样本量小，方差太大或加在一起），这给人的印象是随着时间的推移，倾向没有变化。
如果您对模型规格或比较有任何建议可以得出更明确的结论，请告诉我。
随附的是带有替代模型脚本的数据表。
回复：逻辑回归中的参数化选择和模型比较。当我查看您的模型时，年份和更改看起来分别非常重要。 当您放置交叉（交互）效果时，没有一个参数估计值看起来很重要，但总体模型却很重要。 但是我不了解在模型中的年份和更改之间进行交互的意义-更改变量仅报告年份是在干预时间之前还是之后，因此对我而言，进行交互没有太大意义。 我想您要问的是，这一年是否会对前期和后期目标产生不同的影响。 我认为检查此问题的更直接方法是将Y（目标）乘以X（年），然后将更改（前和后）放在“按”框中。 当您执行此操作时，您会看到该年份在Pre期间远非重要，但在Post期间相当重要。 我认为这回答了您的问题。 如果您需要测试两个时期的斜率（此处为非线性）是否显着不同，我不确定要使用的测试是什么，但我认为很明显两个年份的影响明显不同。
回复：逻辑回归中的参数化选择和模型比较。谢谢 @dale_lehman 寻求建议。
就是这样，理想情况下，我将能够评估随着时间的推移是否存在总体趋势以及2005年的制动点。因此，应该同时使用year和dummy变量。这样，我就可以估计每个周期的斜率，并可以估计它们之间的连续性。
我可以通过反转“ Change”的值顺序来直接估算后期的斜率，如所附输出中所示。我也没什么意义。拆分数据，我得到一个整体的有效模型，其斜率很小。对我来说，这不是很流行的鞋子-是吗？
从所有其他模型中，您是否可以建议一条逻辑路径来确定每个时期是否存在趋势，是否存在制动点（趋势变化）。
回复：逻辑回归中的参数化选择和模型比较。我认为您过于关注寻找低p值。 看起来您的数据显示了您要寻找的内容-该年份在2005年之前没有明显的影响，但是在2005年之后有明显的影响。 通过运行两个独立的逻辑回归可以很容易地看出这一点-在前期和后期将目标作为年份的函数。 您还需要什么？
回复：逻辑回归中的参数化选择和模型比较。我希望这个答复能跟着前三个！
这个问题听起来像是“变更点分析”，并且该方法与该技术中使用的方法非常相似。您可以对周期1和周期2进行滑动定义，并使用最小AICc之类的指标来确定行为（例如，均值，斜率等）变化的点。也就是说，随着变更点的变化，您可以重新拟合模型并捕获度量，然后针对变更点绘制度量。
回复：逻辑回归中的参数化选择和模型比较。@dale_lehman
谢谢您的回答，我希望有另一种方法在模型中引入Year和Change变量，因为这不是经典的ANCOVA，其中两个自变量呈现完全不同的维度（即年龄和性别）。
@markbailey
感谢您的领导，但是我不确定我的数据是否合适。您能告诉我如何进行平台和可变角色吗？
我不确定我的数据是否合适。这是来自政治学的真实数据（数字是真实的，变量名称已更改），因此，观测值不完全是顺序的，它们具有确切的日期，但在一年之内没有意义。我也不确定我应该在数据中寻找最合适的拆分。技术更改可能需要花费一些时间才能“启动”，但是没有必要估计延迟（这在过程监视中非常重要）。我只需要一种方法，在控制其他变量的同时，比较两个时期（前期和后期），估算整个时期内目标的概率。
我希望我可以使用Year变量粗略地估计趋势，并测试它是否有所变化，或者可以洞悉它只是前后之间的下降。
该讨论帮助我完成了建模和上下文的整个思维过程。非常感谢！
回复：逻辑回归中的参数化选择和模型比较。您使用Logistic回归平台。采用日期 ，而不是年份。为创建一个二进制变量期 （ 之前 ，后 ）。拟合线性预测变量所在的模型日期 ，期和期间*日期 。根据日期更改期间值。（想象一下，观察结果按日期升序排列。将所有行设置为期 = 后 。最适合。现在提前到第二个日期，所以期 = 之前对于第1行，其余设置为期 = 后 。进展直到期 = 之前对于所有行.. 收集每次拟合的AICc标准。将标准与日期作图，以查看发生更改的位置。照常评估模型。
请注意，您可能要避免边界问题，因为所有行的周期都具有相同的级别。
我不确定这种方法是否会有所帮助。只是一个主意。
