在运行没有截距的逻辑回归时，有没有人观察到非常高的通用 R 方，比具有截距的模型高 25-30 点？在几个要预测的结果变量为 0/1 的不同项目中，我注意到运行逻辑回归（广义，具有二项式方差）检查“无截距”框会大大提高广义 R 平方，大约 25 或 30 个百分点。我的最新模型适用于在体验期人群中观察到的罕见事件，该事件约占 1.2%。具有截距的预测模型产生的广义 R 平方约为 0.60 到 0.67，而没有截距的模型约为 0.95 到 0.98。我确实有一些具有高度预测性的关键变量，所以起初我认为 90% 以上的 R 代平方似乎是合理的。但是混淆矩阵显示的错误比我想的要多，甚至将阈值降低到 2%-5%。我确实喜欢这样的想法，即无截距意味着自截距 = 0 以来常数项的盲对数优势比，就像抛硬币一样，概率 = 0.50。 但也许这些模型太容易被击败，夸大了取决于（L0 = 仅截距模型）与（具有 X 预测变量的 LM 拟合模型）的似然比的广义 R 平方。特别是如果我事先（先验地）知道结果事件是罕见的。因此，虽然编写一个将广义 R 平方约为 95%-98% 的简报会很棒，但我认为如果我使用一个截距为 60% 的 R 平方的模型可能会更加谨慎和实用.如果您对我有任何建议，请回复。谢谢！
分析其他回复：当运行没有截距的逻辑回归时，有没有人观察到非常高的通用 R 方，比有截距的模型高 25-30 点？我在几个示例中比较了有和没有截距的模型，并始终观察到相反的趋势：当模型包含截距项时，R 平方指标更好。 如果您可以重现您报告的结果，那么我建议您联系 JMP 技术支持（支持@jmp.com ) 以获得分辨率。 请回复此讨论以获取他们的发现，以造福于社区。
回复：当运行没有截距的逻辑回归时，有没有人观察到非常高的通用 R 方，比有截距的模型高 25-30 点？是的，我今天将我的示例 JMP 文件发送给 JMP 支持。没有截距的模型的广义 R 方为 98%，而有截距的模型的广义 R 方为 55%。我会保持社区发布。
回复：当运行没有截距的逻辑回归时，有没有人观察到非常高的通用 R 方，比有截距的模型高 25-30 点？您好，今天早上我收到了 JMP Support 的详细回复，其中包含许多建议，这些建议将帮助我在建模时提高 JMP 的效率，以及尝试一些我从未使用过的技术。回复（来自 Patrick Giuliano）引用了这篇文章和建议：“‘多种方法’的重要性导致了一个通用且可辩护的解决方案。 来自拉文，M.， 频率论者、贝叶斯论者还是其他？ （摘自《美国统计学家》社论，2019 年，第 73 卷，第 51 期，1-19）：1。 寻找并呈现来自许多模型的结果，这些模型很好地拟合了数据。 2. 评估模型，而不仅仅是程序。”
从本质上讲，我了解到无截距模型的非常高的广义 R 平方 (~98%) 可能表明缺乏稳定性；强制线性模型通过原点的假设太强了。也许我还应该重新审视由预测变量中的多重共线性造成的一些建模问题。这是一个有用的回复！我很高兴能够使用我的去识别化数据和我的脚本联系 JMP 支持。非常感谢！
