모순적 순위: 그룹 평균 대 명목 로지스틱 회귀각각 1000개의 (연속형) 응답을 갖는 네 개의 범주가 있습니다. 평균 응답의 순서는 A < B < C << D입니다. 명목 로지스틱 회귀 분석에서 얻은 순서는 A < C < B << D입니다. (평균 B와 C의 차이는 1.64%입니다.) 명목 로지스틱 회귀 분석은 서로 다른 순위에 대한 우도비에 기반한다는 것을 알고 있지만, 종속 변수와 독립 변수가 뒤바뀌었을 때, 즉 응답을 f(범주)로 표현하는 것과 범주를 f(응답)로 표현하는 것에서 동일한 데이터 집합의 순서가 달라진다는 점이 여전히 의아합니다.
고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 탐색 및 시각화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀"명목"은 순서가 없음을 의미하기 때문에 "명목 로지스틱 회귀로 얻은 차수"의 의미를 잘 모르겠습니다.
그러나 일반적으로 여기에는 두 가지 모델이 있습니다. 둘에서 어떻게 결론을 도출하든, 그들은 동의할 필요가 없습니다. 그러나 어느 쪽이 더 신뢰할 수 있는지 또는 둘 다 어느 쪽이 더 신뢰할 수 없는지 결정하려면 각각의 유효성을 검사해야 합니다.
한 가지 질문: B와 C의 차이가 한 모델에서 유의미한지 여부. 그렇지 않은 경우 해당 모델에 따라 순서가 결정적이지 않기 때문에 토론할 것이 없습니다.Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀도움이 되는 댓글 감사합니다.
다음은 유사한 데이터 세트의 또 다른 예입니다(카테고리당 응답 250개).
샘플 의미: A < B < C << D. (D는 A 또는 B보다 상당히 높음).
명목상 logreg: B < C < A < D.
명목 회귀는 순서 정보 없이 범주를 정렬합니다.
따라서 범주 순위의 경우 응답이 종속 변수일 때 첫 번째 순위를 얻습니다.
그러나 응답을 기반으로 범주 순서를 얻으려고 할 때 두 번째 순위를 얻습니다.
이 두 모델이 동의하지 않아야 하는 이유는 분명하지 않습니다.
Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀"명목 로지스틱 회귀로 얻은 순서"가 의미하는 바를 설명하지 않았습니다. 여기 내 추측이 있습니다. 다음 스크린샷과 같이 물류 플롯에 표시된 주문을 의미합니까?
그렇다면 이 플롯에 대해 오해하고 있는 것입니다. 이러한 레이블은 알파벳순으로 정렬됩니다. 앞서 언급했듯이 "명목"은 순서가 없음을 의미합니다. 명목 로지스틱 회귀에서 어떤 종류의 순서로 결론을 내린다면 그것이 어떤 확률 척도임에 틀림없다고 생각합니다. 그리고 나는 당신의 사건이 그런 유형이라고 생각하지 않습니다.
Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀제 오해를 바로잡아주셔서 정말 감사합니다. 가능하다면 한 가지 후속 질문이 있습니다. 평균의 순위를 알고 있는 경우 해당 순위를 기반으로 순서형 로지스틱 회귀를 수행하는 것이 유효합니까? 다시 한 번 감사합니다.
톰
Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀
평균의 순위를 알면 해당 순위를 기반으로 순서형 로지스틱 회귀를 수행하는 것이 유효합니까?
나는 당신이 묻는 것을 이해하지 못하지만 순서 로지스틱 회귀는 일반적으로 값에 순서를 부과하는 것이 논리적 일 때 유효한 접근 방식입니다. ~ 전에 모델 실행, 즉:
- Small, Medium, Large: 순서형 로지스틱 회귀가 적합합니다.
- 공급자 A, 공급자 B, 공급자 C, 공급자
순서형 로지스틱 회귀가 적절하지 않음
Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀답변 감사합니다.
나는 이미 범주의 순서가 다음을 의미한다는 것을 알고 있습니다.
A < B < C < D.
Q1: 이제 순서형 로지스틱 회귀를 실행하면 P 값이
가능성 비율 테스트는 유용한 추가 정보를 제공합니다.
ANOVA 이상?
Q2: ANOVA의 대안으로 P 값을 비교하는 것이 유효합니까?
가능한 모든 순위 중에서? 더 잘 이해하고 싶습니다
이것이 유효하거나 유효하지 않은 이유.
감사합니다. 이것이 제 마지막 질문입니다!
톰
Re: 모순된 순위: 그룹 평균 대 명목 로지스틱 회귀실제로 분석을 게시할 수 있으면 유용할 수 있으므로 우리가 말하는 내용을 더 잘 알 수 있습니다. 관심 문제나 가설을 기술할 수 있는 경우에도 유용할 수 있습니다.
한편, 다음과 같은 일반적인 의견이 여전히 이해가 되는 경우를 대비하여 문제를 이해하는 데 도움이 될 수 있는지 확인하기 위해 다른 방법을 시도하고 있습니다.
Q1의 경우 JMP 샘플 데이터 중 Iris 데이터를 사용한 예입니다. 이것은 Species ~ Sepal Length의 로지스틱 회귀입니다. 스크린샷에서 강조한 p-값의 의미: Sepal은 세 가지 범주 간에 차이점이 있음을 알 수 있습니다. 하지만 그게 전부입니다.
보고서 아래에 이 추정 보고서가 있습니다. 여기서 p-값은 setosa-vs-virginica 및 versicolor-vs-virginica가 분리 가능함을 나타냅니다. 하지만 그게 전부입니다. 더 이상 아무것도 아닙니다. 주문이 없습니다.
Q2의 경우 어떤 보고서를 참조하는지 잘 모르겠습니다. 다음은 "All Pairs, Tukey's HSD"의 스크린샷입니다.
이 보고서를 해석하려면 다음 문서를 확인하는 것이 좋습니다. 모든 쌍별 비교 이 문서는 Standard Least Squares 플랫폼에 있지만 결과는 Fit Y by X에 있는 것과 동일합니다. (숫자는 순서 차이로 인해 기호에 따라 다를 수 있습니다.)
문서의 첫 번째 단락을 주의 깊게 읽으십시오. 쌍으로 비교할 때 다른 통계는 다른 의미를 갖습니다. 특히 "pairwise" 및 "joint"와 같은 단어를 찾아야 합니다. 이것은 다중 비교와 관련이 있습니다. 그리고 이 위키 페이지를 읽고 단어가 왜 중요한지 이해하고 싶을 수도 있습니다. 다중 비교 문제
