Logistic回歸中的參數化選擇和模型比較。尊敬的論壇成員，
我正在使用因變量（Target）分析此數據集，使用邏輯回歸進行假設檢驗，而不是對該實際數據進行預測。
我想利用模型參數化來評估隨時間（年）的趨勢是否更強（恆定），或者瞬時變化作為突破點是否更有意義。
單獨使用時，使用連續的Year變量可以使模型更相似或更合適。另一方面，技術變化首先是建模的原因，因此不容忽視。
一旦與相互作用放在一起，所有參數都是微不足道的（也許是多重共線性，樣本量小，方差太大或加在一起），這給人的印像是隨著時間的推移，傾向沒有變化。
如果您對模型規格或比較有任何建議可以得出更明確的結論，請告訴我。
隨附的是帶有替代模型腳本的數據表。
回复：邏輯回歸中的參數化選擇和模型比較。當我查看您的模型時，年份和更改看起來分別非常重要。 當您放置交叉（交互）效果時，沒有一個參數估計值看起來很重要，但總體模型卻很重要。 但是我不了解在模型中的年份和更改之間進行交互的意義-更改變量僅報告年份是在干預時間之前還是之後，因此對我而言，進行交互沒有太大意義。 我想您要問的是，這一年是否會對前期和後期目標產生不同的影響。 我認為檢查此問題的更直接方法是將Y（目標）乘以X（年），然後將更改（前和後）放在“按”框中。 當您執行此操作時，您會看到該年份在Pre期間遠非重要，但在Post期間相當重要。 我認為這回答了您的問題。 如果您需要測試兩個時期的斜率（此處為非線性）是否顯著不同，我不確定要使用的測試是什麼，但我認為很明顯兩個年份的影響明顯不同。
回复：邏輯回歸中的參數化選擇和模型比較。謝謝 @dale_lehman 尋求建議。
就是這樣，理想情況下，我將能夠評估隨著時間的推移是否存在總體趨勢以及2005年的製動點。因此，應該同時使用year和dummy變量。這樣，我就可以估計每個週期的斜率，並可以估計它們之間的連續性。
我可以通過反轉“ Change”的值順序來直接估算後期的斜率，如所附輸出中所示。我也沒什麼意義。拆分數據，我得到一個整體的有效模型，其斜率很小。對我來說，這不是很流行的鞋子-是嗎？
從所有其他模型中，您是否可以建議一條邏輯路徑來確定每個時期是否存在趨勢，是否存在製動點（趨勢變化）。
回复：邏輯回歸中的參數化選擇和模型比較。我認為您過於關注尋找低p值。 看起來您的數據顯示了您要尋找的內容-該年份在2005年之前沒有明顯的影響，但是在2005年之後有明顯的影響。 通過運行兩個獨立的邏輯回歸可以很容易地看出這一點-在前期和後期將目標作為年份的函數。 您還需要什麼？
回复：邏輯回歸中的參數化選擇和模型比較。我希望這個答復能跟著前三個！
這個問題聽起來像是“變更點分析”，並且該方法與該技術中使用的方法非常相似。您可以對周期1和周期2進行滑動定義，並使用最小AICc之類的指標來確定行為（例如，均值，斜率等）變化的點。也就是說，隨著變更點的變化，您可以重新擬合模型並捕獲度量，然後針對變更點繪製度量。
回复：邏輯回歸中的參數化選擇和模型比較。@dale_lehman
謝謝您的回答，我希望有另一種方法在模型中引入Year和Change變量，因為這不是經典的ANCOVA，其中兩個自變量呈現完全不同的維度（即年齡和性別）。
@markbailey
感謝您的領導，但是我不確定我的數據是否合適。您能告訴我如何進行平台和可變角色嗎？
我不確定我的數據是否合適。這是來自政治學的真實數據（數字是真實的，變量名稱已更改），因此，觀測值不完全是順序的，它們具有確切的日期，但在一年之內沒有意義。我也不確定我應該在數據中尋找最合適的拆分。技術更改可能需要花費一些時間才能“啟動”，但是沒有必要估計延遲（這在過程監視中非常重要）。我只需要一種方法，在控制其他變量的同時，比較兩個時期（前期和後期），估算整個時期內目標的概率。
我希望我可以使用Year變量粗略地估計趨勢，並測試它是否有所變化，或者可以洞悉它只是前後之間的下降。
該討論幫助我完成了建模和上下文的整個思維過程。非常感謝！
回复：邏輯回歸中的參數化選擇和模型比較。您使用Logistic回歸平台。採用日期 ，而不是年份。為創建一個二進制變量期 （ 之前 ，後 ）。擬合線性預測變量所在的模型日期 ，期和期間*日期 。根據日期更改期間值。（想像一下，觀察結果按日期升序排列。將所有行設置為期 = 後 。最適合。現在提前到第二個日期，所以期 = 之前對於第1行，其餘設置為期 = 後 。進展直到期 = 之前對於所有行.. 收集每次擬合的AICc標準。將標準與日期作圖，以查看發生更改的位置。照常評估模型。
請注意，您可能要避免在周期中所有行都具有相同級別的邊界問題。
我不確定這種方法是否會有所幫助。只是一個主意。
