Die Berechnungen des JMP-Quotenverhältnisses stimmen nicht mit meinen übereinIch bin neu bei JMP (Version 16.1). Ich verwende ein binomiales logistisches Regressionsmodell. Ich habe die Modellausgabe so eingestellt, dass sie Parameterschätzungen und Quotenverhältnisse enthält. Wenn ich die Logodds aus den Parameterschätzungen nehme und sie in Excel potenziere, um die Quotenverhältnisse zu erhalten, stimmen sie nicht mit der Ausgabe der Quotenverhältnisse in JMP überein.
Meine Parameterschätzungen zeigen, dass die Konfidenzgrenzen auf Wald basieren, und unter Quotenverhältnisse steht, dass Tests und Konfidenzintervalle ebenfalls auf Wald basieren.
Hat jemand einen Einblick, warum meine Berechnungen von den JMPs abweichen? Wie berechnet JMP die Quotenverhältnisse?
Beispiel:
JMP-Ausgabe:
| Begriff | Schätzen | Standardfehler | ChiSquare | Prob>ChiSq | Niedrigere 95 % | Obere 95 % |
| Abfangen | 2.460656 | 1.570863 | 2,45 | 0,1172 | -0,61818 | 5.539491 |
| Alter | -0,03287 | 0,021537 | 2.33 | 0,127 | -0,07508 | 0,009342 |
| Geschlecht[Weiblich] | -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 |
| Geschwindigkeit | -0,01883 | 0,017697 | 1.13 | 0,2874 | -0,05351 | 0,015859 |
| Alle zurückhalten[Keine] | -0,43613 | 0,269435 | 2,62 | 0,1055 | -0,96422 | 0,09195 |
Meine Odds-Ratio-Berechnungen:
| Begriff | Schätzen | Wahrscheinlichkeit |
| Abfangen | 2.460656 | 11.71249 |
| Alter | -0,03287 | 0,967665 |
| Geschlecht[Weiblich] | -0,05266 | 0,948703 |
| BMI | -0,0674 | 0,934823 |
| Geschwindigkeit | -0,01883 | 0,98135 |
| Alle zurückhalten[Keine] | -0,43613 | 0,646532 |
Quotenverhältnisse von JMP
| Quotenverhältnisse der Einheiten | | | | |
| Begriff | Wahrscheinlichkeit | Niedrigere 95 % | Obere 95 % | Gegenseitig |
| Alter | 0,967665 | 0,927669 | 1.009386 | 1.033415 |
| BMI | 0,934823 | 0,860925 | 1.015063 | 1.069722 |
| Geschwindigkeit | 0,98135 | 0,947896 | 1.015985 | 1.019004 |
| Range-Chancen-Verhältnisse | | | | |
| Begriff | Wahrscheinlichkeit | Niedrigere 95 % | Obere 95 % | Gegenseitig |
| Alter | 0,235452 | 0,036752 | 1.508409 | 4.247151 |
| BMI | 0,073658 | 0,003042 | 1.783541 | 13.57625 |
| Geschwindigkeit | 0,183722 | 0,008099 | 4.167436 | 5.443015 |
| Quotenverhältnisse für Sex | | | | | |
| Level 1 | /Level 2 | Wahrscheinlichkeit | Prob>Chisq | Niedrigere 95 % | Obere 95 % |
| Männlich | Weiblich | 1.111064 | 0,8225 | 0,442791 | 2.787911 |
| Weiblich | Männlich | 0,900038 | 0,8225 | 0,358692 | 2.2584 |
| Quotenverhältnisse für Restraint All | | | | | |
| Level 1 | /Level 2 | Wahrscheinlichkeit | Prob>Chisq | Niedrigere 95 % | Obere 95 % |
| Sicherheitsgurt | Keiner | 2.392325 | 0,1055 | 0,832019 | 6.878711 |
| Keiner | Sicherheitsgurt | 0,418004 | 0,1055 | 0,145376 | 1.201896 |
Dank im Voraus!
Grundlegende Datenanalyse und ModellierungBetreff: Die Berechnungen des JMP-Quotenverhältnisses stimmen nicht mit meinen überein@ron_horne , Sie sind ein Gentleman und ein Gelehrter. Das hat wunderbar funktioniert!
Vielen Dank für Ihre Hilfe,
Gregor
Betreff: Die Berechnungen des JMP-Quotenverhältnisses stimmen nicht mit meinen übereinHallo @GregPeq ,
Nein, definieren Sie „Sex and Restraint All“ einfach als Ordinalzahl und führen Sie die gleiche Berechnung durch (einschließlich Ihrer eigenen Quotenverhältnisse). Dies sollte zu den gleichen Quotenverhältnissen wie bei JMP führen.
Ron
Betreff: Die Berechnungen des JMP-Quotenverhältnisses stimmen nicht mit meinen übereinDanke für deine Antwort, @ron_horne .
Meine Antwortvariable ist binomial. Wollen Sie damit sagen, dass ich dieser Variablen in JMP einen ordinalen Modellierungstyp zuweisen und den nominalen Modellierungstyp für multinomiale (nicht ordinale) Variablen reservieren sollte? Würde dies nicht dazu führen, dass JMP eine ordinale logistische Regression anstelle einer binomialen logistischen Regression durchführt?
Danke,
Gregor
Betreff: Die Berechnungen des JMP-Quotenverhältnisses stimmen nicht mit meinen übereinHallo @GregPeq ,
Die Odds-Ratio-Tabelle ist der einfachste und garantiertste Weg, um die richtigen Kontraste zwischen den Kategorien zu ermitteln.
Der Grund dafür, dass Ihre Berechnung falsch aussieht, liegt darin, dass Sie für die Kategorisierung die „Nominal“-Skala verwendet haben. Wenn Sie „Ordinal“ verwenden, erhalten Sie genau den gleichen Wert wie in der Kontrasttabelle. Dies ist auf die Tatsache zurückzuführen, dass JMP bei Verwendung von Nominalwerten die Koeffizienten als Differenz zu einer nicht gewichteten Durchschnittskategorie schätzt. Dies ist viel sinnvoller, wenn es viele Kategorien gibt. Wenn eine Variable ordinal ist, werden die Koeffizienten als Differenz zur vorherigen Kategorie geschätzt.
Weitere Informationen zu kategorialen Variablendefinitionen finden Sie in dieser Diskussion aus der Vergangenheit:
Modelläquivalenz mit SAS
Lassen Sie uns wissen, ob es für Sie funktioniert.
Ron
