Logistic回归可以从模拟数据中估计原始模型参数吗？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我是JMP和Logistic回归的新手，我想使用Logistic回归测试模型参数的估计。我已经从模拟中输入的模型参数（betas）中模拟了分类响应数据。我包括了所有不同类型的自变量；模型中的名义，有序和连续。然后，我使用随机数生成器生成了每个自变量，计算了每个随机生成的自变量实例的响应概率，然后根据计算出的响应变量概率生成了响应变量（1或0）。我重复此过程，直到我将大量数据点（每个数据“点”是-所有自变量和相应的响应变量的一个实例）输入到逻辑回归分析中为止。我的问题是：
1我可以期望Logistic回归来估计原始Beta吗？
2。当我增加数据点的数量时，估计值是否应渐近逼近beta（我用来生成数据）的真实值？
3。在逻辑回归中通过虚拟变量方法估计的名义变量会发生什么情况？我有一个具有3个标称值的自变量，为此，我使用了3个相应的Betas值来生成模拟数据。回归分析的输出带有两个beta，第三个值是这两个之和的负值（如果我正确理解该方法的话）。
在发展这种理解的任何帮助将不胜感激。
提前致谢。
Re：Logistic回归可以从模拟数据估计原始模型参数吗？我在这里回复自己。但是，我做了很多模拟，这是我发现的结果。如果我模拟具有JMP假设的DOF的分类变量系数（beta）的数据，则必须将N个模拟变量系数a1，a2，a3 .... aN的值分配为[a1，a2，a3 ... aN =-（a1 + a2 + a3 ... a（N-1）]。在这种情况下，可以通过对模拟数据运行Logistic回归来正确估计原始值。如果我没有根据约束使用最后一个系数aN：aN =-（a1 + a2 + a3 ... a（N-1），而只是给它分配了任意不同的值，则估计的系数估计值是不同的比原始值。但是，估计的beta会产生与从原始beta值计算出的概率相同的概率值。
Re：Logistic回归可以从模拟数据估计原始模型参数吗？Sectio 11.5.2对此进行了一些讨论，特别是p。217我注意到参数估计值不是唯一的。但是，如果您使用与分析的参数化匹配的仿真模型（如我在第216-217页所做的那样），则通常可以验证您的仿真是正确的。
Re：Logistic回归可以从模拟数据估计原始模型参数吗？谢谢。我查看了您的书的12.2.2节。该示例中的模拟包含连续变量，针对这些变量估计了beta。我的问题是关于作为虚拟变量实现的名义变量。因此，如果某个变量采用A1，A2和A3作为可能的值，例如具有系数b1，b2和b3，则JMP仅吐出与虚拟变量对应的intercept和b1和b2。如何将这些估计值转换为与用于模拟数据的原始b1，b2和b3进行比较？
Re：Logistic回归可以从模拟数据估计原始模型参数吗？1）是的，一般而言。
2）是的。
3）这取决于参数设置，但是参考水平通常与截距估计值结合在一起。
有关此主题的更多信息，请参见第11-12章。使用SAS模拟数据 ，尤其是第12.2.2节。
有关效果参数化的讨论，请参见 SAS / STAT（R）12.3用户指南
Re：Logistic回归可以从模拟数据估计原始模型参数吗？关于第三个问题，您试图共同确定2个变量的系数，所以回到最初的协方差问题。
Re：Logistic回归可以从模拟数据估计原始模型参数吗？谢谢。 我没有使用任何自变量之间的任何交互。每个IV彼此独立。
您的回答使我可以尝试一件事。我将使用一个变量对数据进行模拟，然后查看是否至少可以从模拟数据中估算“真实”β。
关于我的第三个问题，对代替名义变量使用的虚拟变量的解释有什么建议吗？
Re：Logistic回归可以从模拟数据估计原始模型参数吗？我想说不，因为您无法解释变量之间的协方差，但是今天我的统计知识非常模糊。
但是，通常，如果您的模型一次具有多个参数或具有任何交互条件，则可能无法重新创建Beta。
如果您要同时执行一个变量（单变量）。
