有序逻辑回归中的负系数


17

假设我们有序数响应和我们认为的一组变量将解释。然后,我们对(响应)进行(设计矩阵)的有序逻辑回归。y:{Bad, Neutral, Good}{1,2,3}X:=[x1,x2,x3]yXy

假设的估计系数称为,在有序logistic回归中为。如何解释的优势比(OR)?β 1 - 0.5 Ë - 0.5 = 0.607x1β^10.5e0.5=0.607

我说“在一个增加1个单位,其他条件不变,观察的几率是观察的时间赔率,并在相同的变化,观察的几率是观察的时间赔率 “?x1Good0.607BadNeutralx1NeutralGood0.607Bad

在我的教科书或Google中找不到负系数解释的任何示例。


2
对,那是正确的。这几乎与您解释正系数的方式相同。
彼得·弗洛姆

2
注意:通常我们说“ 在上回归 ”,而不是相反。yX
gung-恢复莫妮卡

Answers:


25

您的工作方向正确,但请始终查看所使用软件的文档,以了解实际适合的模型。假设情况为类别因变量,其类别为和预测变量X_ {1},\ ldots,X_ {j},\ ldots,X_ {p}1 ... g ... k X 1... X j... X pY1,,g,,kX1,,Xj,,Xp

“在野外”在编写具有不同隐含参数含义的理论比例奇数模型时,可能会遇到三个等效选择:

  1. logit(p(Yg))=lnp(Yg)p(Y>g)=β0g+β1X1++βpXp(g=1,,k1)
  2. logit(p(Yg))=lnp(Yg)p(Y>g)=β0g(β1X1++βpXp)(g=1,,k1)
  3. logit(p(Yg))=lnp(Yg)p(Y<g)=β0g+β1X1++βpXp(g=2,,k)

(模型1和2具有以下限制:在单独的二进制logistic回归中,不随变化,并且,模型3对具有相同的限制,并要求))k1βjgβ01<<β0g<<β0k1βjβ02>>β0g>>β0k

  • 在模型1中,正表示预测变量增加与较低类别的赔率增加相关。βjXjY
  • 模型1有点违反直觉,因此模型2或3似乎是软件中的首选模型。在此,正表示预测变量增加与较高类别的赔率增加相关。βjXjY
  • 模型1和2对得出相同的估计,但是对的估计却有相反的符号。β0gβj
  • 模型2和模型3对的估计相同,但对的估计却具有相反的符号。βjβ0g

假设你的软件使用模式2或3,你可以说:“在一个增加1个单位,其他条件不变,则预测观察的赔率‘ ’与观察' '以的倍数变化”,同样,“随着增加,ceteris paribus,观察到的'的预测几率” '与观察' '变化。” 请注意,在经验情况下,我们只有预测的赔率,而没有实际的赔率。X1Y=GoodY=Neutral OR Badeβ^1=0.607X1Y=Good OR NeutralY=Badeβ^1=0.607

这是类别的模型1的一些其他说明。首先,假设线性logistic模型的累积logit具有比例优势。其次,最多观察类别的隐含概率。概率遵循具有相同形状的逻辑函数。 k=4g在此处输入图片说明

对于类别概率本身,所描述的模型包含以下有序函数: 在此处输入图片说明

PS据我所知,模型2用于SPSS以及R函数MASS::polr()和中ordinal::clm()。模型3用于R函数rms::lrm()和中VGAM::vglm()。不幸的是,我不了解SAS和Stata。


@Harokitty二进制逻辑回归模型没有像线性回归模型那样的误差项。请注意,我们是在建模概率,而不是因变量本身。必须单独指定有关的误差分布的假设,例如在R中使用。Yglm(..., family=binomial)
caracal 2012年

在您的3个替代方案列表中,您是否有引用来表达规范2的方式?

1
@Harokitty在Agresti的“有序分类数据分析”(第3.2.2节,第49页,方程3.8)中进行了简要描述。或者,在Agresti的“类别数据分析”中,第9.4节,p323,公式9.12。
caracal 2012年

嗨,很抱歉打扰您,您有第三个参考文献吗?Agresti似乎没有谈论这个。

2
@Jase好吧,Agresti 在上面链接的部分仅使用。有关,请参见Harrell的“回归建模策略”,第13.3.1节,p333,等式13.4。logit(Y>g)logit(Yg)
caracal 2012年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.