Lors de l'exécution de régressions logistiques sans interceptions, quelqu'un a-t-il observé des RSquares généraux très élevés, environ 25 à 30 points de plus que les modèles avec interceptions ?Sur quelques projets différents avec une variable de résultat 0/1 à prédire, j'ai remarqué que l'exécution de la régression logistique (généralisée, avec variance binomiale) en cochant la case Pas d'interception augmente considérablement le carré R généralisé, d'environ 25 ou 30 points de pourcentage.Mon dernier modèle concerne un événement rare observé à environ 1,2 % de la population de la période d'expérience.Les modèles prédictifs avec une interception donnent des R carrés généralisés à environ 0,60 à 0,67, tandis que les modèles sans interception sont à environ 0,95 à 0,98.J'ai quelques variables clés qui sont hautement prédictives, donc au début, j'ai pensé que les carrés Gen R supérieurs à 90% semblaient raisonnables.Mais la matrice de confusion montre plus d'erreurs que je ne le souhaiterais, abaissant même le seuil à 2%-5%.J'aime l'idée que No Intercept implique un rapport log-odds aveugle pour le terme constant puisque Intercept = 0, comme lancer une pièce, Probabilité = 0,50. Mais peut-être que ces modèles sont trop faciles à battre, gonflant le carré R généralisé qui dépend des rapports de vraisemblance de (L0 = modèle d'interception uniquement) à (modèles ajustés LM avec X prédicteurs).Surtout si je sais à l'avance (a priori) que l'événement dénouement est rare.Donc, même s'il serait formidable d'écrire un mémoire qui a généralisé R Square à environ 95% -98%, je pense qu'il serait peut-être plus prudent et pratique d'utiliser un modèle avec une interception qui arrive à Gen R Square à 60% .Merci de me répondre si vous avez des conseils à me donner.Merci!
AnalytiqueAutreRe : Lors de l'exécution de régressions logistiques sans interceptions, quelqu'un a-t-il observé des RSquares généraux très élevés, environ 25 à 30 points de plus que les modèles avec interceptions ?J'ai comparé les modèles avec et sans interception dans quelques exemples et j'ai toujours observé la tendance inverse : les métriques au carré R étaient meilleures lorsque le modèle incluait un terme d'interception. Si vous pouvez reproduire les résultats que vous avez signalés, je vous suggère de contacter le support technique JMP ( support@jmp.com ) pour obtenir une résolution. Veuillez répondre à cette discussion pour saisir leurs conclusions au profit de la communauté.
Re : Lors de l'exécution de régressions logistiques sans interceptions, quelqu'un a-t-il observé des RSquares généraux très élevés, environ 25 à 30 points de plus que les modèles avec interceptions ?Oui, j'envoie mon exemple de fichier JMP au support JMP aujourd'hui.Le modèle sans intercept a un RSquare généralisé à 98 % et les modèles avec un intercept ont un RSquare généralisé à 55 %.Je tiendrai la communauté au courant.
Re : Lors de l'exécution de régressions logistiques sans interceptions, quelqu'un a-t-il observé des RSquares généraux très élevés, environ 25 à 30 points de plus que les modèles avec interceptions ?Bonjour, j'ai reçu ce matin une réponse détaillée du support JMP avec de nombreuses suggestions qui m'aideront à être plus efficace dans JMP lors de la modélisation, ainsi qu'à essayer certaines techniques que je n'ai encore jamais utilisées.La réponse (de Patrick Giuliano) faisait référence à cet article et à ce conseil : "L'importance de "plusieurs approches" conduit à une solution commune et défendable. De Lavine, M., Fréquentiste, Bayes ou Autre ? (Résumé dans Editorial THE AMERICAN STATISTICIAN, 2019, VOL. 73, NO. 51, 1-19): 1. Recherchez et présentez les résultats de nombreux modèles qui correspondent bien aux données. 2. Évaluez des modèles, pas seulement des procédures."
Essentiellement, j'ai appris que les R carrés généralisés très élevés (~ 98 %) pour les modèles sans interception indiquent probablement un manque de stabilité ; qu'il était trop fort d'une hypothèse pour forcer les modèles linéaires à travers l'origine.Peut-être devrais-je également revoir certains des problèmes de modélisation créés par la multicolinéarité dans les prédicteurs.C'était une réponse utile!J'apprécie de pouvoir contacter l'assistance JMP avec mes données anonymisées et mes scripts.Merci beaucoup!
