로짓 대 로지스틱 회귀로지스틱 회귀를 사용하는 것과 "로짓"을 사용하여 일반화 선형 모델 피팅을 수행하는 것의 차이점은 무엇입니까? 모델은 비슷하지만 데이터에 대한 역 예측을 실행할 때 약간 다른 값을 얻습니다.
데이터 탐색 및 시각화Re: 로짓 대 로지스틱 회귀JMP 설명서에서( 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# )
일반화 회귀 특성에 사용되는 명목 변수의 매개변수화
다른 맞춤 모델 특성을 사용하는 매개변수화와 다릅니다. 일반화
회귀 특성은 지표 함수 매개변수화를 사용합니다. 이 매개변수화에서
명목 변수 수준에 대한 지표에 해당하는 추정치는 다음의 추정치입니다.
해당 수준의 평균 응답과 마지막 수준의 평균 응답 간의 차이입니다. 그만큼
마지막 레벨은 가장 높은 값의 순서 코딩을 가진 레벨입니다. 그것은 지표의 수준입니다
기능은 모델에 포함되어 있지 않습니다.
예측 수식을 데이터 테이블에 저장한 다음 살펴봄으로써 이를 확인할 수 있어야 합니다.
이 매개변수화가 예측에 영향을 미치지 않아야 한다는 점을 추가해야 합니다. 물론 모수 추정치에 영향을 미칩니다.
Re: 로짓 대 로지스틱 회귀설명해주셔서 감사합니다! 계산 간의 차이를 보기 위해 두 적합에 대한 코딩을 볼 수 있는 방법이 있습니까?
Re: 로짓 대 로지스틱 회귀동일한 접근 방식이어야 합니다. 검색이 필요한 최대 가능성을 통해 솔루션을 찾기 때문에 모수 추정값에 대해 약간 다른 결과를 얻을 수 있습니다. 이는 경우에 따라 다른 역 예측 결과로 이어질 수 있습니다.
둘 사이의 다른 주요 차이점은 범주형 예측 변수가 있는 경우 발생할 수 있습니다. 일반화 회귀는 범주형 예측 변수에 적합 모형과 함께 사용되는 것과 다른 코딩 체계를 사용합니다.
