在運行沒有截距的邏輯回歸時，有沒有人觀察到非常高的通用 R 方，比具有截距的模型高 25-30 點？在幾個要預測的結果變量為 0/1 的不同項目中，我注意到運行邏輯回歸（廣義，具有二項式方差）檢查“無截距”框會大大提高廣義 R 平方，大約 25 或 30 個百分點。我的最新模型適用於在體驗期人群中觀察到的罕見事件，該事件約佔 1.2%。具有截距的預測模型產生的廣義 R 平方約為 0.60 到 0.67，而沒有截距的模型約為 0.95 到 0.98。我確實有一些具有高度預測性的關鍵變量，所以起初我認為 90% 以上的 R 代平方似乎是合理的。但是混淆矩陣顯示的錯誤比我想的要多，甚至將閾值降低到 2%-5%。我確實喜歡這樣的想法，即無截距意味著自截距 = 0 以來常數項的盲對數優勢比，就像拋硬幣一樣，概率 = 0.50。 但也許這些模型太容易被擊敗，誇大了取決於（L0 = 僅截距模型）與（具有 X 預測變量的 LM 擬合模型）的似然比的廣義 R 平方。特別是如果我事先（先驗地）知道結果事件是罕見的。因此，雖然編寫一個將廣義 R 平方約為 95%-98% 的簡報會很棒，但我認為如果我使用一個截距為 60% 的 R 平方的模型可能會更加謹慎和實用.如果您對我有任何建議，請回复。謝謝！
分析其他回复：當運行沒有截距的邏輯回歸時，有沒有人觀察到非常高的通用 R 方，比有截距的模型高 25-30 點？我在幾個示例中比較了有和沒有截距的模型，並始終觀察到相反的趨勢：當模型包含截距項時，R 平方指標更好。 如果您可以重現您報告的結果，那麼我建議您聯繫 JMP 技術支持（ support@jmp.com ) 以獲得分辨率。 請回复此討論以獲取他們的發現，以造福於社區。
回复：當運行沒有截距的邏輯回歸時，有沒有人觀察到非常高的通用 R 方，比有截距的模型高 25-30 點？是的，我今天將我的示例 JMP 文件發送給 JMP 支持。沒有截距的模型的廣義 R 方為 98%，而有截距的模型的廣義 R 方為 55%。我會保持社區發布。
回复：當運行沒有截距的邏輯回歸時，有沒有人觀察到非常高的通用 R 方，比有截距的模型高 25-30 點？您好，今天早上我收到了 JMP Support 的詳細回复，其中包含許多建議，這些建議將幫助我在建模時提高 JMP 的效率，以及嘗試一些我從未使用過的技術。回复（來自 Patrick Giuliano）引用了這篇文章和建議：“‘多種方法’的重要性導致了一個通用且可辯護的解決方案。 來自拉文，M.， 頻率論者、貝葉斯論者還是其他？ （摘自《美國統計學家》社論，2019 年，第 73 卷，第 51 期，1-19）：1。 尋找並呈現來自許多模型的結果，這些模型很好地擬合了數據。 2. 評估模型，而不僅僅是程序。”
從本質上講，我了解到無截距模型的非常高的廣義 R 平方 (~98%) 可能表明缺乏穩定性；強制線性模型通過原點的假設太強了。也許我還應該重新審視由預測變量中的多重共線性造成的一些建模問題。這是一個有用的回复！我很高興能夠使用我的去識別化數據和我的腳本聯繫 JMP 支持。非常感謝！
