ロジットとロジスティック回帰ロジスティック回帰を使用する場合と、「ロジット」を使用して一般化線形モデルを当てはめる場合の違いは何ですか?モデルは似ていますが、データに対して逆予測を実行すると、わずかに異なる値が得られます。
データの探索と視覚化Re: ロジット vs ロジスティック回帰JMP マニュアルから ( 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# )
一般化回帰パーソナリティで使用される名義変数のパラメータ化
は、他のあてはめモデルのパーソナリティを使用したパラメーター化とは異なります。 一般化された
回帰パーソナリティは、インジケーター関数のパラメーター化を使用します。 このパラメータ化では、
名義変数の水準の指標に対応する推定値は、
そのレベルでの平均応答と最後のレベルでの平均応答の差。 の
最後のレベルは、最高値の順序コーディングを持つレベルです。それは指標のレベルです
機能はモデルに含まれていません。
これは、予測式をデータ テーブルに保存してから見ることで確認できるはずです。
このパラメーター化が予測に影響を与えるべきではないことを付け加えておきます。 もちろん、それはパラメータ推定に影響します。
Re: ロジット vs ロジスティック回帰説明してくれてありがとう！ 計算の違いを調べるために、2 つの適合のコーディングを確認する方法はありますか?
Re: ロジット vs ロジスティック回帰それらは同じアプローチでなければなりません。 検索が必要な最尤法によって解が見つかるため、パラメーター推定値についてわずかに異なる結果が得られる場合があります。 これにより、状況によっては、異なる逆予測結果が生じる可能性があります。
2 つの間の他の大きな違いは、カテゴリ予測子がある場合に発生する可能性があります。 一般化回帰では、モデルの適合で使用されるものとは異なるコーディング スキームをカテゴリ予測変数に使用します。
