我正在考虑建立一个预测比率的模型,其中和且。因此,该比率将在和之间。一个≤ b 一> 0 b > 0 0 1
我可以使用线性回归,尽管它自然不限于0.1。我没有理由相信这种关系是线性的,但是无论如何,它当然经常被用作简单的第一个模型。
我可以使用逻辑回归,尽管通常将其用于预测两态结果的概率,而不是从0.1.1范围内预测连续值。
一无所知,您将使用线性回归,逻辑回归还是隐藏选项c?
我正在考虑建立一个预测比率的模型,其中和且。因此,该比率将在和之间。一个≤ b 一> 0 b > 0 0 1
我可以使用线性回归,尽管它自然不限于0.1。我没有理由相信这种关系是线性的,但是无论如何,它当然经常被用作简单的第一个模型。
我可以使用逻辑回归,尽管通常将其用于预测两态结果的概率,而不是从0.1.1范围内预测连续值。
一无所知,您将使用线性回归,逻辑回归还是隐藏选项c?
Answers:
您应该选择“隐藏选项c”,其中c是beta回归。这是一种回归模型,当响应变量以Beta分布时适用。您可以将其视为类似于广义线性模型。这正是您想要的。有一个R
叫做betareg的软件包可以处理这个问题。我不知道您是否使用R
,但即使您不这样做,也无论如何都可以阅读“小插曲”,除了可以实现该主题外,他们还将为您提供有关该主题的一般信息(在该主题中R
您不需要这种情况)。
编辑(稍后): 让我快速澄清一下。我认为这个问题是关于两个正的实际价值的比率。如果是这样,则它们是Beta分布(并且它们作为Gamma分布)。但是,如果是已知试验总数中“成功”的计数,那么这将是的计数比例,而不是连续的比例,因此应使用二项式GLM(例如,逻辑回归)。有关如何在R中执行此操作,请参见例如,当结果为分数(两个计数之比)时,如何在R中进行逻辑回归?b a / b
如果可以对比率进行转换以满足标准线性模型的假设,则另一种可能性是使用线性回归,尽管我对实际工作并不乐观。
这些是配对样本还是两个独立种群?
如果是独立种群,则可以考虑log(M)= log(B)+ * log(ratio)。M是您的测量(包含A和B的所有值的向量),X是向量 = 1(如果是A的值), = 0(如果是B的值)。中号我X 我中号我
您对该回归的截距为log(B),斜率为log(ratio)。
在这里查看更多:
Beyene J,Moineddin R.比率参数的置信区间估计方法及其在位置商中的应用。BMC医学研究方法论。2005; 5(1):32。
编辑:我写了一个SPSS插件来做到这一点。如果您有兴趣,我可以分享。
REGRESSION
在对数据进行日志转换之后使用。从那时起,我编写了一个使用的更复杂的版本GLM
。我处理的是发光测量,我的测试建议使用对数链接进行伽马回归是最不容易出现参数不确定性的情况。对于我的大部分真实数据,使用正态,负二项式和伽马与对数链接的答案都非常相似(至少与我需要的精度相同)
不对。Logistic回归的数据是二进制0或1,但是模型预测p表示给定预测变量,的成功概率其中是模型中预测变量的数量。实际上,由于有logit函数,线性模型可以预测log()的值。因此,要获得对p的预测,只需进行逆变换,其中是预测对数。我= 1 ,2 ,。。,ķ ķ p p=exp(x) x