적합 모델 출력(또는 예측 프로파일러)을 범위로 제한값에 영향을 미치는 세 가지 변수가 있습니다(0에서 1까지의 비율).내가 적합 모델 플랫폼을 사용하여 일반화 선형 모델을 생성하는 접근 방식을 취할 때, 대체로 작동하지만 특정 변수 값을 입력하면 여전히 0 또는 1 미만의 예측을 허용하는 예측 방정식을 얻습니다.추정치는 비율이어야 하기 때문에 이것은 바람직하지 않습니다.
특정 유형의 데이터 형식 지정 또는 조작(예: 로그 변환)을 수행하거나 Fit Model 플랫폼에 설정된 조건 집합을 수행하여 이를 제한할 수 있는 방법이 있습니까?
감사합니다!
해석학데이터 테이블Re: 적합 모델 출력(또는 예측 프로파일러)을 범위로 제한이 두 가지 접근 방식 중 하나를 시도해 볼 수 있습니다. 둘 다 응답 Y의 로짓 변환을 기반으로 합니다. 로짓은 원하는 제약 조건에 대해 인수 [0, 1]을 예상하지만 회귀에 필요한 응답 [-infinity, infinity]을 생성합니다.
이 접근 방식을 설명하기 위해 일부 데이터를 조롱했습니다.
Fit Model 대화 상자에서 응답 Y에 Logit 변환을 적용합니다. 분석 > 모델 적합을 선택하고 각 분석 역할에 데이터 열을 입력합니다. Y 역할의 열을 선택한 다음 변환 옆에 있는 빨간색 삼각형을 클릭하고 Logit을 선택합니다.
결과는 익숙할 것입니다. 예를 들어 프로파일러를 사용할 수 있지만 제약 조건이 적용되어야 합니다.
다른 접근 방식은 일반화 선형 모델을 사용하는 것입니다. 이전과 같이 시작하되 변환을 적용하지 마십시오. 대신 성격을 클릭하고 일반화 선형 모델을 선택하십시오. 분포를 클릭하고 일반을 선택합니다. 링크를 클릭하고 Logit을 선택합니다.
Re: 적합 모델 출력(또는 예측 프로파일러)을 범위로 제한마크 감사합니다!내가 찾던 바로 그거야.후속 조치로:
내 데이터 세트에는 X1 X2와 Y라고 응답한 응답자 비율이 있습니다. 여러 응답자가 모두 서로 다른 X1 X2 조합을 보고(예: 100명의 응답자가 각각 10개의 X1 X2 조합 세트를 보고 있음) Y 또는 다른 것으로 응답했기 때문입니다( NS).
내 원시 데이터는 각 X1 X2 조합에 대해 Y/X 중 하나의 응답을 갖기 때문에 명목 로지스틱 기능을 사용하여 Y/X의 확률을 X1 및 X2의 함수로 모델링할 수도 있습니다.이것은 예측 표현식과 혼동 행렬을 생성합니다.
Y/X 응답의 원시 데이터를 사용하는 것이 Y 비율을 사용하는 것과 비교하여 더 나은 접근 방식인지 더 나쁜 접근 방식인지에 대한 통찰력이 있습니까?제 목표는 X1과 X2의 새로운 조합으로 예측을 할 때 가능한 한 정확하고 정확한 것입니다.
Re: 적합 모델 출력(또는 예측 프로파일러)을 범위로 제한어떤 의미에서 Y/X 비율은 이미 확률입니다. 사건의 확률에 대한 최대 우도 추정기는 전체 사건과 비사건에서 사건의 비율입니다.
많은 사람들이 목적을 위해 로지스틱 회귀를 사용합니다. 원시 데이터는 귀하와 같은 수입니다. 반응은 이벤트 또는 비환기이며 이항 분포로 모델링됩니다. 이항 분포 및 로짓 연결 기능을 사용하는 로지스틱 회귀 또는 이에 상응하는 GLM은 이러한 문제를 직접 해결합니다. 이 접근 방식을 고려해 보셨습니까?
Re: 적합 모델 출력(또는 예측 프로파일러)을 범위로 제한다음을 평가했습니다.
1. GLM(일반) 집계 데이터의 비율 예측을 위한 Logit: AICc -57.2
2. 원시 데이터에서 이벤트/비이벤트를 예측하는 GLM(이항) 로짓: AICc 1907, 비이벤트 확률 제공
3. 원시 데이터에서 사건/비사건을 예측하기 위한 명목 로지스틱: AICc 1907, 사건의 확률과 비사건의 확률을 제공하고 p(사건) 또는 p(비 사건) 여부에 따라 "가장 가능성 있는" 평가 -이벤트)가 더 크다
AICc 값이 낮을수록 더 나은 모델을 나타내는 지표라는 것을 읽었습니다.이진 원시 데이터를 사용할 때 우려되는 한 가지 문제는 오분류입니다(오분류 행렬을 기반으로 하면 훈련 세트에서 상당한 수의 잘못된 예측이 나타남).AICc 값(~1964) 사이의 차이가 옵션 1이 더 나은 접근 방식이라는 데 상당히 유리하다고 생각할까요?나는 내 출력으로 비율에 완벽하게 만족합니다.
Re: 적합 모델 출력(또는 예측 프로파일러)을 범위로 제한응답이 변경되면 AICc를 비교할 수 없습니다. 일반적인 피팅 과정을 최적의 Y = F(p|X)를 찾는 것으로 생각하면 됩니다. 여기서 F는 고정 데이터 X가 주어지면 매개변수 p가 있는 함수입니다. F에 대해 무엇이든 변경할 수 있고 차이점을 AICc와 비교할 수 있지만 Y에 대해서는 아무 것도 변경할 수 없습니다.
