logit vs regressione logisticaQual è la differenza tra l'utilizzo di una regressione logistica e l'utilizzo del modello lineare generalizzato utilizzando "logit?" I modelli sono simili ma ottengo valori leggermente diversi quando eseguo la previsione inversa per i miei dati.
Esplorazione e visualizzazione dei datiRe: logit vs regressione logisticaDai manuali JMP ( https://www.jmp.com/support/help/en/15.1/?os=win&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/opzione-distribuzione-in-regressione-generalizzata.shtml# )
La parametrizzazione delle variabili nominali utilizzate nella personalità di regressione generalizzata
differisce dalla loro parametrizzazione utilizzando altre personalità Fit Model. Il generalizzato
La personalità di regressione utilizza la parametrizzazione della funzione indicatore. In questa parametrizzazione, il
stima che corrisponde all'indicatore per un livello di una variabile nominale è una stima della
differenza tra la risposta media a quel livello e la risposta media all'ultimo livello. Il
l'ultimo livello è il livello con la codifica dell'ordine di valore più alto; è il livello il cui indicatore
la funzione non è inclusa nel modello.
Dovresti essere in grado di vederlo salvando le formule di previsione nella tabella dei dati e quindi esaminandole.
Dovrei aggiungere che questa parametrizzazione non dovrebbe influenzare la previsione. Naturalmente, influenzerà le stime dei parametri.
Re: logit vs regressione logisticaGrazie per la spiegazione! C'è un modo per vedere la codifica dei due adattamenti per osservare le differenze tra i calcoli?
Re: logit vs regressione logisticaDovrebbero essere lo stesso approccio. Poiché la soluzione si trova attraverso la massima verosimiglianza, che richiede una ricerca, è possibile ottenere risultati leggermente diversi per le stime dei parametri. Ciò potrebbe, in alcune situazioni, portare a risultati di previsione inversa diversi.
L'altra grande differenza tra i due potrebbe verificarsi se si dispone di predittori categoriali. La regressione generalizzata utilizza uno schema di codifica diverso per i predittori categoriali rispetto a quello utilizzato con Fit Model.
