將擬合模型輸出（或預測刻畫器）限制在某個範圍內我有三個影響值的變量（從 0 到 1 的比例）。當我採用使用擬合模型平台創建廣義線性模型的方法時，我得到了一個預測方程，該方程在很大程度上有效，但如果我輸入某些變量值，仍然允許預測低於 0 或 1。這是不希望的，因為估計應該是一個比例。
有沒有一種方法可以限制這種情況，或者通過執行某種類型的數據格式化或操作（例如日誌轉換），或者在擬合模型平台中設置一組條件？
謝謝你！
質量和工藝工程回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍是的，您是正確的，這些變換期望域 (0,1) 中的數字，而不是 [0,1] 或之外的數字。 我按照你的建議去做——我用一個非常小的正數替換 0，比如 0.001，用一個稍微小的正數替換 1，比如 0.999。 此更改應該適合您。
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍嗨馬克，
我想我在這裡有一個相關的問題 - 我一直在嘗試對 DoE 實驗的數據執行 LogitPct 轉換。 我們有興趣找到那些能夠最大限度地提高產品測量水平並最大限度地減少雜質測量水平的因素。 LogitPct 有助於確保預測刻畫器不會給出超過 100% 的產品收率或低於 0% 的雜質收率。
問題是我的一些 DoE 實驗數據點包括零（例如，水平低於儀器的檢測限）。 運行模型時，Logit 和 LogitPct 都會返回錯誤，因為 Log 為 0 是未定義的 - 我認為 JMP 中 Logit 和 LogitPct 的界限是 (0,1) 而不是 [0,1]。 我不想在分析中忽略這些行，因為這會使 DoE“去對稱”並減少實驗數量。 除了將零重新編碼為功能上接近於零的“虛擬”值（例如 0.0001）之外，還有什麼可做的嗎？
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍當響應發生變化時，您無法比較 AICc。 將一般擬合過程視為尋找最佳 Y = F(p|X)，其中 F 是給定固定數據 X 的參數為 p 的函數。 您可以更改 F 的任何內容並與 AICc 進行比較，但無法更改 Y 的任何內容。
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍我進行了以下評估：
1. GLM（正態）Logit 預測聚合數據的比率：AICc -57.2
2. GLM（二項式）Logit 用於根據原始數據預測事件/非事件：AICc 1907，給出非事件的概率
3. 根據原始數據預測事件/非事件的名義 Logistic：AICc 1907，給出事件概率和非事件概率，以及基於 p(Event) 或 p(Non) 的“最有可能”評估-事件）更大
我讀到過，較低的 AICc 值表明模型較好。我對使用二進制原始數據的一個擔憂是錯誤分類（基於混淆矩陣，我發現訓練集上存在大量錯誤預測）。我們是否會認為 AICc 值（~1964）之間的差異在很大程度上有利於選項 1 成為更好的方法？我對作為我的輸出的比率非常滿意。
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍從某種意義上說，你的比率 Y/X 已經是一個概率。 事件概率的最大似然估計量是該事件在總事件和非事件中所佔的比例。
許多人使用邏輯回歸來達到您的目的。 原始數據是像你一樣的計數。 響應是事件或非事件，並且使用二項式分佈進行建模。 邏輯回歸或等效的 GLM 具有二項式分佈和 logit 鏈接函數直接解決這些問題。 您考慮過這種方法嗎？
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍謝謝馬克！這就是我一直在尋找的。作為後續：
在我的數據集中，我們有 X1 X2 和回答 Y 的受訪者比例，因為多個受訪者都看到了不同的 X1 X2 組合（例如，100 名受訪者各自查看一組 10 個 X1 X2 組合）並回答 Y 或其他內容（ X）。
由於我的原始數據對於每個 X1 X2 組合都有 Y/X 的響應，因此我還可以使用名義邏輯能力將 Y/X 的概率建模為 X1 和 X2 的函數。這會產生一個預測表達式和一個混淆矩陣。
與使用 Y 的比例相比，使用 Y/X 響應的原始數據是更好還是更差的方法，您有什麼見解嗎？我的目標是在使用 X1 和 X2 的新穎組合進行預測時盡可能準確和精確。
回复：將擬合模型輸出（或預測刻畫器）約束到某個範圍您可以嘗試這兩種方法之一。 它們都基於響應 Y 的 logit 變換。 logit 需要一個參數 [0, 1] 作為您想要的約束，但會產生回歸所需的響應 [-無窮大, 無窮大]。
我模擬了一些數據來說明這種方法。
在“擬合模型”對話框中將 Logit 變換應用於響應 Y。 選擇“分析”>“擬合模型”，然後在相應的分析角色中輸入數據列。 選擇 Y 角色中的列，然後單擊變換旁邊的紅色三角形並選擇 Logit。
您的結果將會很熟悉，例如您可以使用探查器，但應應用約束。
另一種方法是使用廣義線性模型。 像以前一樣開始，但不應用轉換。 相反，單擊“個性”並選擇“廣義線性模型”。 單擊分佈並選擇正態。 單擊“鏈接”並選擇“Logit”。
