多項ロジット回帰プロットの解釈以下は、ロジスティック回帰の2つのプロットで、左側が順序応答、右側が多項応答です。 それらは両方ともk-1曲線を持ち、kはレベルの数ですが、確率の解釈に関しては両方とも累積的ですか？ 言い換えると、各曲線の特定のX値（車の重量）での確率は、そのレベルとその下のすべてのレベルでの車のサイズの全体的な確率ですか？ 序数プロットと名目プロットの両方が同じ方法で解釈され、特定の重量値で特定の車種の確率が得られる場合、2つのプロットの外観が大きく異なるのはなぜですか？ 1つが序数で、もう1つが名目上の応答のタイプであるという理由だけですか？ JMPは、分析と解釈が簡単なため、名目上の応答に対しても通常のロジスティック回帰を使用することを推奨しているという印象を受けました。 ただし、ここに示すように結果が大きく異なる場合は、名目上の応答に通常のロジスティック回帰を使用しないでください。 コメントをいただければ幸いです。 ありがとう。
分析グラフィックス他のRe：多項ロジット回帰プロットの解釈名目応答と順序応答のロジスティック回帰モデルの違いは、ロジット変換された応答のオッズです。 （どちらも多項応答です。）順序応答は「累積ロジット」を使用し、名義応答は「一般化ロジット」を応答として使用します。 応答変数YにKレベルがあると仮定します。 確率の合計が1になるように制約されているため、K-1ロジットがあります。 2種類のロジットは、累積ロジットです。
および一般化されたロジット：
2つのロジットは、さらに異なる線形予測子を使用します。 通常のロジスティック回帰は、累積ロジットを利用して、ロジットごとに異なる切片（定数）項を推定しますが、予測項には共通のパラメーターを使用します。 一方、名目ロジスティック回帰では、ロジットごとに一意のパラメーターセットが使用されます。 LogisticプラットフォームのParameterEstimatesテーブルを調べることで、この主張を確認できます。
Re：多項ロジット回帰プロットの解釈こんにちは@ JMP38401 、
分析は同じことを示していますが、車両のタイプを重量で正しく「分類」していますが、一方は重量値の順序付きリストと見なされ、もう一方は連続重量値のセットと見なされるため、異なる方法で行います。必ずしも値順に並べられているとは限りません。 また、このため、近似ごとにパラメーター推定値が異なることに気付くでしょう。
ご指摘のとおり、どちらにもk-1の曲線がありますが、曲線で囲まれたkの領域があります。 車両タイプに基づいて行に色を付けると役立つ場合があります。[行]> [色]または[列ごとにマーク]> [タイプ]を選択します。 次に、近似を表示すると、ロジスティック近似が基本的にデータをどのように分割したかを確認できます。CarPhysicalData.jmpファイルの以下の例を参照してください。 重みを順序として扱うと、近似モデルグラフで解釈しやすくなり、わずかに近似が向上します。 各近似からの予測式をデータテーブルに保存した後、近似モデルプラットフォームで「最も可能性の高いタイプ」をXとして使用し、タイプをYとして使用できます。 フィットの詳細を見ると、通常のウェイトのフィット統計がわずかに優れていることがわかります。
近似についての私の理解は、応答の各レベル（マイナス1レベル）が線形近似関数に基づいて独自の確率曲線を取得し、ロジスティック関数を使用して累積確率に変換することです。 次に、ある累積値を次の累積値から差し引くことにより、各タイプの確率を計算します。 最終レベルは、すべての確率を合計して1にする必要がある余りです。 これは、Xファクターが順序変数の場合です。 連続している場合は、処理が異なり、確率関数の計算も異なります。 いずれの場合も、型の確率でIf Max（）関数を評価することにより、最も可能性の高い型を決定します。 それらのいずれかが最大の値を持っている場合、それはその行に最も可能性の高い車両タイプを割り当てます。 どちらの適合も、それぞれが約55％の誤分類率を持っているため、それほど良くありません。これは非常に高い値です。
お役に立てれば！、
DS
Re：多項ロジット回帰プロットの解釈詳細な説明ありがとうございます。 公称曲線と通常曲線の両方が累積的であるため、通常プロットは、重量が2000ポンドの車がスポーティな車になる確率が70％を超えることを示していますが、公称プロットは、重量が2000ポンドの車が小型車である確率は100％に近い（名目上のプロットで2000ポンドのxで0をわずかに超えるスポーツカーの曲線）。 この例では、応答タイプは公称または通常である可能性があると主張する人がいるかもしれませんが、少なくとも2000ポンドの特定の車の重量では予測が大きく異なります。 R ^ 2が高く、誤分類率がわずかに低い名目モデルを使用する必要があると思います。
Re：多項ロジット回帰プロットの解釈ありがとうDS
