Logistic回归-多共线性问题/陷阱

在Logistic回归中，是否需要像在直接进行OLS回归中一样关注多重共线性？

例如，对于存在多重共线性的逻辑回归，是否需要谨慎（就像在OLS回归中一样），要从Beta系数中得出推断？

对于OLS回归，高多重共线性的一个“解决方案”是岭回归，是否有类似的逻辑回归？另外，删除变量或组合变量。

在逻辑回归中减少多重共线性影响的合理方法是什么？它们与OLS本质上相同吗？

（注意：这并非旨在进行设计的实验）

关于多重共线性的所有相同原理，就像对OLS一样，都适用于逻辑回归。可以使用相同的诊断方法来评估多重共线性（例如，VIF，条件数，辅助回归），并且可以使用相同的降维技术（例如，通过主成分分析来组合变量）。

chl的这个答案将带您进入一些资源和R软件包，用于拟合惩罚性logistic模型（以及对这类惩罚性回归程序的良好讨论）。但是您对多共线性的“解决方案”的一些评论让我有些不安。如果您只关心估计非共线性变量的关系，那么这些“解决方案”可能会很好，但是，如果您对估计共线性变量的系数感兴趣，那么这些技术将无法解决您的问题。尽管多重共线性问题在技术上是无法将预测变量的矩阵求逆的，但它在逻辑上类似，因为预测变量不是独立的，并且无法唯一地确定其影响。