logit vs régression logistiqueQuelle est la différence entre l'utilisation d'une régression logistique et l'ajustement du modèle linéaire généralisé à l'aide du « logit » ? Les modèles sont similaires mais j'obtiens des valeurs légèrement différentes lorsque j'exécute la prédiction inverse pour mes données.
Exploration et visualisation des donnéesRe: logit vs régression logistiqueÀ partir des manuels 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 paramétrisation des variables nominales utilisées dans la personnalité de régression généralisée
diffère de leur paramétrage à l'aide d'autres personnalités Fit Model. Le généralisé
La personnalité de régression utilise la paramétrisation de la fonction indicatrice. Dans ce paramétrage, le
l'estimation qui correspond à l'indicateur d'un niveau d'une variable nominale est une estimation de la
différence entre la réponse moyenne à ce niveau et la réponse moyenne au dernier niveau. Le
le dernier niveau est le niveau avec le codage d'ordre de valeur le plus élevé ; c'est le niveau dont l'indicateur
fonction n'est pas incluse dans le modèle.
Vous devriez pouvoir le voir en enregistrant les formules de prédiction dans la table de données, puis en les examinant.
Je dois ajouter que cette paramétrisation ne devrait pas affecter la prédiction. Cela affectera bien sûr les estimations des paramètres.
Re: logit vs régression logistiqueMerci d'avoir expliqué ! Existe-t-il un moyen de voir le codage des deux ajustements pour examiner les différences entre les calculs ?
Re: logit vs régression logistiqueIls devraient être la même approche. Étant donné que la solution est trouvée par le maximum de vraisemblance, ce qui nécessite une recherche, vous pouvez obtenir des résultats légèrement différents pour les estimations des paramètres. Cela pourrait, dans certaines situations, conduire à des résultats de prédiction inverse différents.
L'autre différence majeure entre les deux pourrait se produire si vous avez des prédicteurs catégoriques. La régression généralisée utilise un schéma de codage différent pour les prédicteurs catégoriels que celui utilisé avec Ajuster le modèle.
