Einschränken der Modellausgabe (oder des Vorhersageprofilers) auf einen BereichIch habe drei Variablen, die einen Wert beeinflussen (ein Verhältnis von 0 zu 1).Wenn ich den Ansatz verwende, ein verallgemeinertes lineares Modell mit der Anpassungsmodellplattform zu erstellen, erhalte ich eine Vorhersagegleichung, die weitgehend funktioniert, aber immer noch Vorhersagen unter 0 oder 1 zulässt, wenn ich bestimmte Variablenwerte eingebe.Dies ist nicht erwünscht, da die Schätzung eine Proportion sein soll.
Gibt es eine Möglichkeit, dies einzuschränken, entweder durch eine bestimmte Art von Datenformatierung oder -manipulation (zB eine Log-Transformation) oder vielleicht durch eine Reihe von Bedingungen, die in der Fit Model-Plattform festgelegt sind?
Dankeschön!
AnalytikDatentabelleBetreff: Einschränken der Fit-Modellausgabe (oder des Vorhersageprofilers) auf einen BereichSie können einen dieser beiden Ansätze ausprobieren. Beide basieren auf der Logit-Transformation der Antwort Y. Der Logit erwartet ein Argument [0, 1] für die gewünschte Einschränkung, erzeugt jedoch eine Antwort [-unendlich, unendlich], die die Regression erfordert.
Ich habe einige Daten nachgebaut, um diesen Ansatz zu veranschaulichen.
Wenden Sie die Logit-Transformation auf die Antwort Y im Dialogfeld „Modell anpassen“ an. Wählen Sie Analysieren > Modell anpassen und geben Sie die Datenspalten in die entsprechenden Analyserollen ein. Wählen Sie die Spalte in der Y-Rolle aus, klicken Sie dann auf das rote Dreieck neben Transformieren und wählen Sie Logit aus.
Ihr Ergebnis wird Ihnen bekannt vorkommen, Sie können beispielsweise den Profiler verwenden, aber die Einschränkung sollte gelten.
Der andere Ansatz besteht darin, ein verallgemeinertes lineares Modell zu verwenden. Beginnen Sie wie zuvor, aber wenden Sie die Transformation nicht an. Klicken Sie stattdessen auf Persönlichkeit und wählen Sie Generalisiertes lineares Modell. Klicken Sie auf Verteilung und wählen Sie Normal. Klicken Sie auf Link und wählen Sie Logit.
Betreff: Einschränken der Fit-Modellausgabe (oder des Vorhersageprofilers) auf einen BereichDanke Markus!Das habe ich gesucht.Als Nachfolge:
In meinem Datensatz haben wir X1 X2 und einen Anteil der Befragten, die mit Y geantwortet haben, da mehrere Befragte alle unterschiedliche X1-X2-Kombinationen sahen (z. X).
Da meine Rohdaten die Antwort von entweder Y/X für jede X1-X2-Kombination aufweisen, könnte ich auch die Wahrscheinlichkeit von Y/X als Funktion von X1 und X2 modellieren, indem ich die nominelle logistische Fähigkeit verwende.Dies ergibt einen Vorhersageausdruck und eine Konfusionsmatrix.
Haben Sie Erkenntnisse darüber, ob die Verwendung der Rohdaten der Y/X-Antworten im Vergleich zur Verwendung der Anteile von Y ein besserer oder schlechterer Ansatz ist?Mein Ziel ist es, einfach so genau und präzise wie möglich zu sein, wenn ich Vorhersagen mit neuartigen Kombinationen von X1 und X2 mache.
Betreff: Einschränken der Fit-Modellausgabe (oder des Vorhersageprofilers) auf einen BereichIn gewisser Weise ist Ihr Verhältnis Y/X bereits eine Wahrscheinlichkeit. Der Maximum-Likelihood-Schätzer für die Wahrscheinlichkeit eines Ereignisses ist der Anteil des Ereignisses an den gesamten Ereignissen und Nicht-Ereignissen.
Viele Leute verwenden logistische Regression für Ihre Zwecke. Die Rohdaten sind Zählungen wie Sie haben. Die Antwort ist Ereignis oder Nicht-Vent und wird mit einer Binomialverteilung modelliert. Logistische Regression oder äquivalent GLM mit der Binomialverteilung und der Logit-Link-Funktion adressieren diese Probleme direkt. Haben Sie diesen Ansatz in Erwägung gezogen?
Betreff: Einschränkung der Anpassungsmodellausgabe (oder des Vorhersageprofilers) auf einen BereichFolgendes habe ich ausgewertet:
1. GLM (normal) Logit zur Vorhersage von Verhältnissen auf aggregierten Daten: AICc -57,2
2. GLM (binomial) Logit zur Vorhersage von Ereignis/Nicht-Ereignis auf Rohdaten: AICc 1907 gibt mir die Wahrscheinlichkeit eines Nicht-Ereignisses
3. Nominelle Logistik zur Vorhersage von Ereignis/Nicht-Ereignis auf Rohdaten: AICc 1907 gibt mir die Wahrscheinlichkeit eines Ereignisses und die Wahrscheinlichkeit eines Nicht-Ereignisses und eine "höchstwahrscheinliche" Bewertung basierend darauf, ob p(Ereignis) oder p(Nicht -Ereignis) ist größer
Ich habe gelesen, dass ein niedrigerer AICc-Wert ein Indikator für ein besseres Modell ist.Eine Sorge, die ich bei der Verwendung der binären Rohdaten habe, sind Fehlklassifizierungen (basierend auf der Konfusionsmatrix sehe ich eine beträchtliche Anzahl von Fehlvorhersagen im Trainingssatz).Würden wir die Unterschiede zwischen den AICc-Werten (~1964) als wesentlich dafür ansehen, dass Option 1 der bessere Ansatz ist?Ich bin vollkommen zufrieden mit einem Verhältnis als meine Ausgabe.
Betreff: Einschränkung der Anpassungsmodellausgabe (oder des Vorhersageprofilers) auf einen BereichSie können AICc nicht vergleichen, wenn sich die Antwort ändert. Stellen Sie sich den allgemeinen Anpassungsprozess als das Finden des besten Y = F(p|X) vor, wobei F eine Funktion mit Parametern p bei gegebenen festen Daten X ist. Sie können alles an F ändern und die Unterschiede mit AICc vergleichen, aber Sie können nichts an Y ändern.
