Wie interpretiere ich inverse Vorhersageergebnisse meiner binomialen logistischen Regression?Hallo - ich versuche, die Ergebnisse der "inversen Vorhersage" meiner binomialen logistischen Regression zu interpretieren.
Unten sind meine Ergebnisse ... wie Sie sehen können, habe ich drei verschiedene Wahrscheinlichkeiten zur Bewertung ausgewählt (50 %, 80 % und 90 %), alle mit einem Konfidenzniveau von 95 %.Ich versuche festzustellen, wie gut dieses Modell die erwarteten Ergebnisse basierend auf meinen beobachteten Daten vorhersagt.
Vielen Dank im Voraus!
AnalytikBetreff: Wie interpretiere ich inverse Vorhersageergebnisse meiner binomialen logistischen Regression?Unter dem Hilfemenü in JMP finden Sie die Dokumentationsbibliothek.Versuchen Sie, dort nach "Inverse Prediction" zu suchen. Sie sollten einen Abschnitt mit dem Titel „Beispiel einer inversen Vorhersage unter Verwendung der inversen Vorhersageoption“ finden, und der letzte Absatz enthält ein Beispiel für die Interpretation von Ergebnissen, die Ihren sehr ähnlich sind.
Betreff: Wie interpretiere ich inverse Vorhersageergebnisse meiner binomialen logistischen Regression?Ich bin etwas verwirrt von deiner Frage.Ich glaube nicht, dass die inverse Vorhersage eine Möglichkeit ist, um zu sehen, wie gut Ihr Modell zu den Daten passt - dafür gibt es Informationen aus den Ergebnissen der Modellanpassung.Wenn Sie versuchen, die inverse Vorhersage zu interpretieren, scheinen mir die engen Konfidenzintervalle zu sagen, dass Ihr Modell ziemlich genaue Konfidenzintervalle für die x-Variable liefert, die sich auf diese Wahrscheinlichkeiten von unter 235 beziehen. Da die x-Variable ein Log ist, müssen Sie die Das tatsächliche Konfidenzintervall würde numerisch beinhalten, diese Log-Werte in Werte umzuwandeln (durch Potenzierung).Ich wäre auch vorsichtig mit den inversen Vorhersagen in der Nähe der Extrema des Diagramms - abhängig von Ihren Daten können die von Ihnen angegebenen Wahrscheinlichkeiten leicht unrealistische Werte für die x-Variable beinhalten.Wenn ich beispielsweise stark unausgewogene Daten habe (eine kleine Minderheitsklasse, die vorhergesagt werden muss), sind hohe Wahrscheinlichkeiten oft mit negativen Werten für die x-Variable verbunden (was für die Daten, mit denen ich arbeite, oft unmöglich ist).
