如何解釋二項式邏輯迴歸的逆預測結果你好 - 我正在嘗試解釋二項式邏輯回歸的“逆預測”結果。
以下是我的結果...如您所見，我選擇了三種不同的機率進行評估（50%、80% 和 90%），所有機率的置信度均為 95%。我試圖根據我觀察到的數據來確定模型預測預期結果的效果。
先致謝！
基礎資料分析與建模數據探索和視覺化分享和交流成果回复：我如何解釋二項邏輯回歸的逆向預測結果更新：我意識到我需要更改值的順序。當我這樣做時，它現在似乎是有道理的。再次感謝ih！
回复：我如何解釋二項邏輯回歸的逆向預測結果更新：我意識到我沒有改變我的價值觀的順序。當我這樣做時，它似乎是有道理的。再次感謝！
回复：我如何解釋二項邏輯回歸的逆向預測結果嗨戴爾 - 非常感謝您的回复。正如我幾分鐘前回复 ih 時，雖然我了解逆向預測是什麼以及它的作用，但我不確定如何解讀我得到的結果的含義，因為它們似乎與我的原始數據不一致（意味著我誤解了一些東西）。我剛剛針對此 JMP 討論組響應再次運行了逆向預測，為了證明我的問題，這次我使用“above 235”（即如果 ecoli > 235，我的“above 235”列等於 1，否則等於 0）這是名義上的因變量.... vs ....濁度（連續自變量）。然後我以 95% 的置信度和 90% 的概率（單尾，上 95%）運行逆向預測。其產生的濁度值為 5.3。也就是說，如果濁度 > 5.3，我有 95% 的信心認為我的 90% 的 ecolis 將高於 235。但是，我的原始數據表明這是錯誤的，因為只有 71% 的 ecolis（149 個中的 106 個）是當濁度 > 5.3 時高於 235。我原以為當濁度 > 5.3 時，將近 90% 的 ecoli 實例（149 個中的約 134 個）會高於 235。我錯過了什麼嗎？
回复：我如何解釋二項邏輯回歸的逆向預測結果謝謝我。我會繼續試探。雖然我了解逆向預測是什麼以及它的作用，但我不確定如何解讀我得到的結果的含義，因為它們似乎與我的原始數據不一致（這意味著我誤解了某些東西）。我剛剛針對此 JMP 討論組響應再次運行了逆向預測，為了證明我的問題，這次我使用“above 235”（即如果 ecoli > 235，我的“above 235”列等於 1，否則等於 0）這是名義上的因變量.... vs ....濁度（連續自變量）。然後我以 95% 的置信度和 90% 的概率（單尾，上 95%）運行逆向預測。其產生的濁度值為 5.3。也就是說，如果濁度 > 5.3，我有 95% 的信心認為我的 90% 的 ecolis 將高於 235。但是，我的原始數據表明這是錯誤的，因為只有 71% 的 ecolis（149 個中的 106 個）是當濁度 > 5.3 時高於 235。我原以為當濁度 > 5.3 時，將近 90% 的 ecoli 實例（149 個中的約 134 個）會高於 235。我錯過了什麼嗎？
回复：我如何解釋二項邏輯回歸的逆向預測結果我對你的問題有點困惑。我不認為逆向預測是一種查看模型與數據擬合程度的方法——模型擬合結果中有相關信息。如果您正在嘗試解釋逆向預測，在我看來，狹窄的置信區間表明您的模型為與低於 235 的概率相關的 x 變量提供了相當精確的置信區間。由於 x 變量是對數，因此要解釋數字上的實際置信區間將涉及將這些對數值轉換為值（通過求冪）。我還會注意圖表極端附近的逆向預測 - 根據您的數據，您指定的概率很容易涉及 x 變量的不切實際的值。例如，當我有高度不平衡的數據（要預測的少數類）時，高概率通常與 x 變量的負值相關聯（這對於我正在處理的數據來說通常是不可能的）。
回复：我如何解釋二項邏輯回歸的逆向預測結果在 JMP 的“幫助”菜單下，您會找到文檔庫。嘗試在那裡搜索“逆向預測”。 您應該找到一個名為“使用逆向預測選項進行逆向預測的示例”的部分，最後一段給出了一個與您的結果非常相似的解釋結果的示例。
