多水平因变量的多元 Logistic 回归解释我正在尝试运行多元逻辑回归。 因变量有两个类别，第一个自变量有五组，第二个自变量有两组。
一旦我运行模型（使用拟合模型），参数估计部分将报告第一个自变量的五个组中的四个组和第二个自变量的两个组中的一个的系数/β值。 我假设参数估计报告的每个变量的类别数少一，因为它选择一组作为比较组？
我的第二个问题与生成的优势比有关。 似乎五个（和两个）组中的每一组相互组合都有一个优势比，总共 25（和 4）个优势比。 JMP 将其显示为级别 1/级别 2。 这些优势比与参数估计部分下的系数不对应（因为它们不等于 e^coefficient）。 这些优势比代表什么？
基础数据分析和建模数据探索和可视化苹果系统预测建模和机器学习回复：多水平因变量的多重 Logistic 回归解释嗨，马克，我正在运行多变量逻辑回归，线性预测变量由总体平均值（截距）、一个具有 5 个水平的自变量和另一个具有 2 个水平的自变量组成。
我的主要问题是为什么两个非参考类别（即类别 1 和 4）的优势比等于 e^（类别 1 的参数估计）/e ^（类别 4 的参数估计），但是当一个类别中的第一个是参考类别（类别 5）。
回复：多水平因变量的多重 Logistic 回归解释有用的信息回复：多水平因变量的多重 Logistic 回归解释我确信 JMP 是正确的。 我建议您从底部开始并增加优势比来检查计算结果。 那么你有一个线性预测器 f(X)？ 它是什么？ 您可以在上面的第四张图片中看到我的示例中的线性预测器。 您的是单个 5 级分类因子和总体平均值（截距）吗？
估计值针对 Logit 的线性预测器中的参数，或目标的对数赔率。 所以 e^f(X) 应该是目标的几率，以 X 向量的水平为条件。 因此，两个适当条件的赔率的比率应该是您想要的。 您需要线性预测器，而不是单个参数。 我认为遗漏可能是问题所在。
回复：多水平因变量的多重 Logistic 回归解释你好，马克，谢谢你的回复。 我熟悉“保存概率公式”，实际上查看每个数据点的预测对数比值比和概率很有用。
然而，我仍然不知道当其中一组是参考组时，JMP 如何计算优势比，正如我上面提到的。 请注意，我正在进行多变量逻辑回归，因此我使用的公式可能是错误的。 此外，我指的优势比不是每个单独数据点的优势比，而是当您单击红色三角形并选择“优势比”时显示的优势比。
回到我的示例，JMP 计算了类别 1/类别 5 的优势比：0.9641408。 我的 1 类参数估计是 1 类：0.00630345，5 类估计是参数 0.16108913。 我用来计算 JMP 计算优势比的公式为：e^(0.00630345)/ e^(0.16108913)，但该值仍然不等于优势比 0.9641408。
非常感谢您的宝贵时间。
回复：多水平因变量的多重 Logistic 回归解释我一开始就应该想到这个答案。 这是使用 Big Class 数据表的示例。
我建议您单击“名义 Logistic 回归”平台顶部的红色三角形，然后选择“保存概率公式”。
您将看到多个新数据列。
这个不整齐的结果实际上很棒，因为您可以分阶段查看预测。 “lin[X]”列捕获线性预测变量和估计值。 它预测 logit 或 log( odds )。
“Prob[X]”列显示 Logit 响应的线性预测变量对概率响应的反向变换。
这些概率可用于计算优势和优势比。 我希望这些公式和结果有助于回答您的问题。
回复：多水平因变量的多重 Logistic 回归解释马克您好，感谢您的回复。 该值与我的预期赔率不符。 例如，JMP 计算了优势比类别 1/类别 5：0.9641408。 如果我的第一类估计是第 1 类：0.00630345，第 5 类估计值为0.16108913，e^(0.00630345)/ e^(0.16108913) 仍然无法方程 0.9641408 的优势比。
回复：多水平因变量的多重 Logistic 回归解释最后一级的参数受前 4 个参数的约束。 JMP 使用“效果编码”对逻辑模型进行参数化。 参数估计值的总和为零，因此对前 4 个参数求和，对总和求负，这就是最后一个参数的“估计值”。 对于您的情况，您将获得最后一个参数 0.16108913 。 该值符合您的预期赔率吗？
回复：多水平因变量的多重 Logistic 回归解释我假设您的二分响应是使用二元逻辑回归，或者从“拟合模型”对话框启动后使用 JMP 中的名义逻辑平台。 该模型为 log( odds( target ) / odds( non-target ) ) = 线性预测器。 该线性方程可以反变换为概率(目标|X)=F(线性预测器)。 优势比只是目标的预测优势与非目标的预测优势。 二进制情况下目标和非目标的 logits 是最简单的反向转换。
这里有很多背景信息在这里帮助回答你的问题。
回复：多水平因变量的多重 Logistic 回归解释您的帖子被垃圾邮件过滤器捕获，不知道为什么。
回复：多水平因变量的多重 Logistic 回归解释如果这是重复的，请原谅我，看来我的第二个回复没有发布：
我使用具有 5 个类别的因变量重试了拟合模型测试：（类别 1、2、3、4 和 5，其中类别 5 是默认组）。 在优势比下，我了解当级别 1 和级别 2 是非默认组（即类别 1 - 4）时，如何计算级别 1/级别 2 优势比。 如果级别 1 = 类别 1，级别 2 = 类别 4，则级别 1/级别 2 优势比仅为 e^（类别 1 的系数估计）/ e ^（类别 4 的系数估计）。
但是，当 1 级或 2 级是默认组（类别 5）时，我感到很困惑。 JMP 计算级别 1/级别 2 优势比，其中级别 1 = 非默认组，级别 2 = 不等于 e^（类别非默认组的系数估计）的默认组。
例如，这是我的号码
参数估计：
类别 1：0.00630345
类别 2：-0.2234814
类别 3： - 0.0617221
类别 4：0.11781092
优势比（级别 2 = 类别 5，默认组）
类别 1/类别 5：0.9641408
类别 2/类别 5：0.7662071
类别 3/类别 5：0.9007356
类别 4/类别 5：1.0778729
我可能是错的，但我认为类别 5 的参数估计，默认组为 0，因此类别 N/类别 5 的优势比应该等于 e^（类别 N 的系数估计）。 但正如你所看到的，e^(0.00630345) == 0.9641408
感谢您的帮助！
回复：多水平因变量的多重 Logistic 回归解释我还再次尝试使用具有 5 个类别的因变量进行检验（假设类别 1、2、3、4、5，其中类别 5 是默认组，因此 JMP 计算类别 1、2、3 和4). 在优势比部分，我了解当两个比较类别是非默认类别时如何计算级别 1/级别 2 优势比，即类别 1 和类别 4 的级别 1/级别 2 优势比只是 e^(系数对于类别 1) / e^(对于类别 4 的系数)。
但是，我想知道当 Level1 或 Level2 是默认组（即类别 5）时，如何计算优势比？ 我可能是错的，但我认为默认组的系数设置为 0，因此 Level1/Level2 优势比不应该是 e^（类别 n 的系数），其中 n = 1、2、3 或 4？
这是我的号码：
参数估计：
类别 1：0.00630345
类别 2：-0.2234841
类别 3：-0.0617221
类别 4：0.11781092
Level1/Level2 优势比，其中 Level2 = 类别 5（默认组）
类别 1/类别 5：0.9641408
类别 2/类别 5：0.7662071
类别 3/类别 5：0.9007356
类别 4/类别 5：1.0778729
如您所见，e^(0.00630345) =/= 0.9641408
感谢您的帮助！
回复：多水平因变量的多重 Logistic 回归解释你能给我看看方程式吗？ 为了简化并更好地理解测试，我取出了具有 5 个类别的变量，并仅使用二分变量运行了拟合模型。 因此，我有一个二分因变量（具有 A 类和 B 类）和一个二分自变量。
我获得的二分因变量（A 类）的系数估计值（在“参数估计值”下）为 -0.86355。 在优势比部分，A/B 的 1 级/2 级优势比为 0.177797，B/A 的 1 级/2 级优势比为 5.6243923。 我理解 B/A = 1/ A/B，但我认为 e^(系数估计 = -0.86355) 应等于 A/B 的 1 级/2 级优势比 (0.177797)，但事实并非如此。
我还在 SPSS 中运行了相同的逻辑回归测试，得到的 beta/系数估计值为 -1.727。
编辑：
我使用具有 5 个类别的因变量重试了拟合模型测试：（类别 1、2、3、4 和 5，其中类别 5 是默认组）。 在优势比下，我了解当级别 1 和级别 2 是非默认组（即类别 1 - 4）时，如何计算级别 1/级别 2 优势比。 如果级别 1 = 类别 1，级别 2 = 类别 4，则级别 1/级别 2 优势比仅为 e^（类别 1 的系数估计）/ e ^（类别 4 的系数估计）。
但是，当 1 级或 2 级是默认组（类别 5）时，我感到很困惑。 JMP 计算级别 1/级别 2 优势比，其中级别 1 = 非默认组，级别 2 = 不等于 e^（类别非默认组的系数估计）的默认组。
例如，这是我的号码
参数估计：
类别 1：0.00630345
类别 2：-0.2234814
类别 3： - 0.0617221
类别 4：0.11781092
优势比（级别 2 = 类别 5，默认组）
类别 1/类别 5：0.9641408
类别 2/类别 5：0.7662071
类别 3/类别 5：0.9007356
类别 4/类别 5：1.0778729
我可能是错的，但我认为类别 5 的参数估计，默认组为 0，因此类别 N/类别 5 的优势比应该等于 e^（类别 N 的系数估计）。 但正如你所看到的，e^(0.00630345) == 0.9641408
和以前一样，SPSS 中的参数估计值也有很大不同。
感谢您的帮助！
回复：多水平因变量的多重 Logistic 回归解释关于第一个问题，一个组是对照组，因此只显示 4 个系数（简单来说，如果一个观察值不在这 4 个组中的一个，那么我们知道它一定在第 5 个组中，所以这是冗余信息 -这在数学上会导致问题）。如果您不喜欢用作比较的默认组，则可以为该变量设置值排序来更改它（它不会更改实际结果，只会更改它们的显示方式）。
如果我理解你的第二个问题，你会问如何从系数中得出优势比。这些系数是确定每个分类概率的一部分。这些系数是确定赔率对数的线性方程的一部分，赔率比对每个组进行计算并查看 2 的比率。我认为没有一种简单的方法可以直观地描述系数和优势比之间的关系 - 从一组数字到另一组数字需要执行许多步骤。当我教授它时，我试图找到好的方法来解释这一点，但我总是最终不得不展示一系列方程，将你从一个方程带到另一个方程（数学上清晰，但很难直观）。
