I calcoli del rapporto quote JMP non corrispondono ai mieiSono nuovo in JMP (versione 16.1). Sto eseguendo un modello di regressione logistica binomiale. Ho impostato l'output del modello in modo da includere stime dei parametri e rapporti di probabilità. Quando prendo i logodd dalle stime dei parametri e li espongo in Excel per ottenere i rapporti di probabilità, non corrispondono all'output del rapporto di probabilità in JMP.
Le mie stime dei parametri mostrano che i limiti di confidenza sono basati su Wald e in Odds Ratios dice che anche i test e gli intervalli di confidenza sono basati su Wald.
Qualcuno ha qualche idea del motivo per cui i miei calcoli differiscono da quelli JMP? Come fa JMP a calcolare i rapporti odd?
Esempio:
Uscita JMP:
| Termine | Stima | Errore standard | ChiSquare | Pro>ChiSq | Inferiore al 95% | Superiore 95% |
| Intercettare | 2.460656 | 1.570863 | 2.45 | 0,1172 | -0,61818 | 5.539491 |
| Età | -0,03287 | 0,021537 | 2.33 | 0,127 | -0,07508 | 0,009342 |
| Sesso[Femmina] | -0,05266 | 0,234692 | 0,05 | 0,8225 | -0,51265 | 0,407328 |
| BMI | -0,0674 | 0.042016 | 2.57 | 0,1087 | -0,14975 | 0,014951 |
| Velocità | -0,01883 | 0,017697 | 1.13 | 0,2874 | -0,05351 | 0,015859 |
| Restrizione tutto[Nessuno] | -0,43613 | 0,269435 | 2.62 | 0,1055 | -0,96422 | 0,09195 |
I miei calcoli del rapporto probabilità:
| Termine | Stima | Rapporto di probabilità |
| Intercettare | 2.460656 | 11.71249 |
| Età | -0,03287 | 0,967665 |
| Sesso[Femmina] | -0,05266 | 0.948703 |
| BMI | -0,0674 | 0.934823 |
| Velocità | -0,01883 | 0,98135 |
| Restrizione tutto[Nessuno] | -0,43613 | 0,646532 |
Rapporti di probabilità di JMP
| Rapporti di probabilità delle unità | | | | |
| Termine | Rapporto di probabilità | Inferiore al 95% | Superiore 95% | Reciproco |
| Età | 0,967665 | 0,927669 | 1.009386 | 1.033415 |
| BMI | 0.934823 | 0.860925 | 1.015063 | 1.069722 |
| Velocità | 0,98135 | 0,947896 | 1.015985 | 1.019004 |
| Rapporti di probabilità di intervallo | | | | |
| Termine | Rapporto di probabilità | Inferiore al 95% | Superiore 95% | Reciproco |
| Età | 0,235452 | 0,036752 | 1.508409 | 4.247151 |
| BMI | 0,073658 | 0,003042 | 1.783541 | 13.57625 |
| Velocità | 0,183722 | 0,008099 | 4.167436 | 5.443015 |
| Rapporti di probabilità per il sesso | | | | | |
| Livello 1 | /Livello 2 | Rapporto di probabilità | Prob>Chisq | Inferiore al 95% | Superiore 95% |
| Maschio | Femmina | 1.111064 | 0,8225 | 0,442791 | 2.787911 |
| Femmina | Maschio | 0.900038 | 0,8225 | 0,358692 | 2.2584 |
| Rapporti di probabilità per la restrizione di tutti | | | | | |
| Livello 1 | /Livello 2 | Rapporto di probabilità | Prob>Chisq | Inferiore al 95% | Superiore 95% |
| Cintura di sicurezza | Nessuno | 2.392325 | 0,1055 | 0.832019 | 6.878711 |
| Nessuno | Cintura di sicurezza | 0,418004 | 0,1055 | 0,145376 | 1.201896 |
Grazie in anticipo!
Analisi e modellazione dei dati di baseRi: I calcoli del rapporto quote JMP non corrispondono ai miei@ron_horne , sei un gentiluomo e uno studioso. Ha funzionato a meraviglia!
Grazie per l'aiuto,
Greg
Ri: I calcoli del rapporto quote JMP non corrispondono ai mieiCIAO @GregPeq ,
no, definisci semplicemente Sex and Restraint All come ordinale ed esegui lo stesso calcolo (inclusi i tuoi rapporti dispari) questo dovrebbe portarti allo stesso rapporto odd di JMP.
Ron
Ri: I calcoli del rapporto quote JMP non corrispondono ai mieiGrazie per la tua risposta, @ron_horne .
La mia variabile di risposta è binomiale. Stai dicendo che dovrei assegnare un tipo di modellazione ordinale a questa variabile in JMP e riservare il tipo di modellazione nominale per le variabili multinomiali (non ordinali)? Ciò non farebbe sì che JMP esegua una regressione logistica ordinale anziché una regressione logistica binomiale?
Grazie,
Greg
Ri: I calcoli del rapporto quote JMP non corrispondono ai mieiCIAO @GregPeq ,
la tabella dei rapporti di probabilità è il modo più semplice e garantito per ottenere i contrasti corretti tra le categorie.
il motivo per cui il tuo calcolo sembra errato è che hai utilizzato la scala "Nominale" per la categoria. se usi "Ordinale" otterrai esattamente lo stesso valore della tabella dei contrasti. ciò è dovuto al fatto che quando vengono utilizzati i valori nominali JMP stima i coefficienti come differenza rispetto ad una categoria media non ponderata. questo ha molto più senso quando ci sono molte categorie. quando una variabile è ordinale, i coefficienti vengono stimati come differenza rispetto alla categoria precedente.
per ulteriori informazioni sulle definizioni delle variabili categoriali puoi seguire questa discussione del passato:
equivalenza del modello con SAS
Facci sapere se funziona per te,
Ron
