Logit vs. logistische RegressionWas ist der Unterschied zwischen der Verwendung einer logistischen Regression und dem Durchlaufen der verallgemeinerten linearen Modellanpassung mit „Logit“? Die Modelle sind ähnlich, aber ich erhalte leicht unterschiedliche Werte, wenn ich die inverse Vorhersage für meine Daten durchführe.
Datenexploration und -visualisierungBetreff: Logit vs. logistische RegressionAus den JMP-Handbüchern ( 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# )
Die Parametrisierung nominaler Variablen, die in der Persönlichkeit der Generalisierten Regression verwendet werden
unterscheidet sich von ihrer Parametrisierung mit anderen Fit-Model-Persönlichkeiten. Das Verallgemeinerte
Die Regressionspersönlichkeit verwendet die Parametrisierung von Indikatorfunktionen. In dieser Parametrisierung ist die
Die Schätzung, die dem Indikator für ein Niveau einer nominalen Variablen entspricht, ist eine Schätzung der
Differenz zwischen der mittleren Antwort auf dieser Ebene und der mittleren Antwort auf der letzten Ebene. Der
Die letzte Ebene ist die Ebene mit der höchstwertigen Ordnungscodierung. es ist die Ebene, deren Indikator
Funktion ist im Modell nicht enthalten.
Sie sollten dies sehen können, indem Sie die Vorhersageformeln in der Datentabelle speichern und sie dann ansehen.
Ich sollte hinzufügen, dass diese Parametrisierung keinen Einfluss auf die Vorhersage haben sollte. Dies wirkt sich natürlich auf die Parameterschätzungen aus.
Betreff: Logit vs. logistische RegressionDanke für die Erklärung! Gibt es eine Möglichkeit, die Codierung für die beiden Anpassungen anzuzeigen, um die Unterschiede zwischen den Berechnungen zu erkennen?
Betreff: Logit vs. logistische RegressionSie sollten den gleichen Ansatz verfolgen. Da die Lösung durch die maximale Wahrscheinlichkeit gefunden wird, was eine Suche erfordert, erhalten Sie möglicherweise leicht unterschiedliche Ergebnisse für die Parameterschätzungen. Dies könnte in manchen Situationen zu unterschiedlichen inversen Vorhersageergebnissen führen.
Der andere große Unterschied zwischen den beiden könnte auftreten, wenn Sie kategoriale Prädiktoren haben. Die generalisierte Regression verwendet ein anderes Codierungsschema für kategoriale Prädiktoren als das, das bei „Modell anpassen“ verwendet wird.
