regresión logit vs logística¿Cuál es la diferencia entre usar una regresión logística y pasar por el ajuste del modelo lineal generalizado usando "logit"? Los modelos son similares pero obtengo valores ligeramente diferentes cuando ejecuto la predicción inversa para mis datos.
Exploración y visualización de datosRe: logit vs regresión logísticaDe los manuales de JMP ( https://www.jmp.com/support/help/en/15.1/?os=win&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/distribution-option-in-generalized-regression.shtml# )
La parametrización de variables nominales utilizadas en la personalidad de Regresión Generalizada
difiere de su parametrización usando otras personalidades de Fit Model. el generalizado
La personalidad de regresión utiliza la parametrización de la función indicadora. En esta parametrización, el
estimación que corresponde al indicador para un nivel de una variable nominal es una estimación de la
diferencia entre la respuesta media en ese nivel y la respuesta media en el último nivel. los
el último nivel es el nivel con la codificación de orden de mayor valor; es el nivel cuyo indicador
La función no está incluida en el modelo.
Debería poder ver esto guardando las fórmulas de predicción en la tabla de datos y luego mirándolas.
Debo agregar que esta parametrización no debería afectar la predicción. Por supuesto, afectará las estimaciones de los parámetros.
Re: logit vs regresión logística¡Gracias por la explicación! ¿Hay alguna manera de que pueda ver la codificación de los dos ajustes para ver las diferencias entre los cálculos?
Re: logit vs regresión logísticaDeben ser el mismo enfoque. Debido a que la solución se encuentra a través de la máxima verosimilitud, lo que requiere una búsqueda, es posible que obtenga resultados ligeramente diferentes para las estimaciones de los parámetros. Esto podría, en algunas situaciones, conducir a diferentes resultados de predicción inversa.
La otra gran diferencia entre los dos podría ocurrir si tiene predictores categóricos. La regresión generalizada usa un esquema de codificación diferente para los predictores categóricos que el que se usa con Ajustar modelo.
