多项逻辑回归图解释下面是两个逻辑回归图，左侧的一个用于序数响应，右侧的一个用于多项响应。 它们都有 k-1 曲线，k 是水平数，但它们在概率解释方面都是累积的吗？ 换句话说，每条曲线上某个 X 值（汽车重量）的概率是该级别以及低于该级别的所有级别的汽车尺寸的总体概率？ 如果序数图和名义图都以相同的方式解释以获得特定汽车类型在特定重量值下的概率，为什么这两个图看起来非常不同？仅仅是因为响应的类型，一个是序数，另一个是名义的吗？ 我的印象是 JMP 建议即使对于名义响应也使用序数逻辑回归，因为它更易于分析和解释。 但是，如果结果与此处显示的非常不同，则不应将序数逻辑回归用于名义响应。 任何意见将不胜感激。 谢谢。
分析图形其他回复：多项逻辑回归图解释名义响应和有序响应的逻辑回归模型之间的差异是 logit 转换响应的几率。 （两者都是多项式响应。）序数响应使用“累积 logit”，名义式使用“广义 logit”作为响应。 假设响应变量 Y 具有 K 个水平。 将有 K-1 logits，因为概率总和为 1。 两种类型的 logit 是累积 logit：
和广义的logit：
这两个 logit 进一步使用不同的线性预测器。 序数逻辑回归利用累积 logit 并为每个 logit 估计不同的截距（常数）项，但对预测项使用通用参数。 另一方面，名义逻辑回归对每个 logit 使用一组唯一的参数。 您可以通过检查 Logistic 平台中的 Parameter Estimates 表来验证此声明。
回复：多项逻辑回归图解释你好@JMP38401 ,
分析显示了同样的事情，但正确地按重量“分类”车辆类型，但以不同的方式进行，因为一个被认为是重量值的有序列表，而另一个被认为是任何一组连续的重量值——不一定按它们的值排序。 您还会注意到，因此，不同拟合的参数估计值是不同的。
正如您所指出的，两者都有 k-1 曲线，但它们有 k 个由曲线界定的区域。 如果您根据车辆类型为行着色可能会有所帮助：行 > 颜色或按列标记 > 选择类型。 然后，当您查看拟合时，您可以看到逻辑拟合实质上是如何对数据进行分区的，请参见 Car Physical Data.jmp 文件中的以下示例。 将权重视为序数在拟合模型图中更容易解释，并提供稍微更好的拟合。 将每个拟合的预测公式保存到数据表后，您可以在拟合模型平台中使用“最可能类型”作为 X 和类型作为 Y。 如果您查看适合详细信息，您会发现体重为序数的适合统计数据稍好一些。
我对拟合的理解是，响应的每个级别（减去一个级别）都会根据线性拟合函数获得自己的概率曲线，然后使用 logistic 函数将其转换为累积概率。 然后，它通过从下一个累积值中减去一个累积值来计算每种类型的概率。 最后一级就是所有概率总和为 1 的余数。 这将是如果 X 因子是有序的。 如果它只是连续的，那么它会以不同的方式对待它并以不同的方式执行概率函数的计算。 在任何一种情况下，它都会通过评估类型概率的 If Max() 函数来确定最可能的类型。 无论哪一个具有最大值，它都会为该行分配最可能的车辆类型。 两种拟合都不是那么好，因为它们都有大约 55% 的错误分类率，这真的很高。
希望这可以帮助！，
DS
回复：多项逻辑回归图解释谢谢你的详细解释。 由于标称曲线和序数曲线都是累积的，因此序数图表明重量为 2000 磅的汽车将有超过 70% 的概率成为运动型汽车，但标称图表明重量为 2000 磅的汽车将有接近 100% 的概率成为一辆小型车（在标称图上的 x 为 2000 磅时，跑车曲线略高于 0）。 有人可能会争辩说，对于此示例，响应类型可以是名义上的或有序的，但至少对于 2000 磅的特定汽车重量，预测是如此不同。 我想我应该使用名义模型，它更高的 R^2 和略低的错误分类率。
回复：多项逻辑回归图解释谢谢DS
