Questions tagged «logit»

我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入：{年龄，性别，国家/地区，城市}。你有一个像这样的训练数据集 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 1 1 2 62 M 71 4 …

29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

我有一个logit模型，在很多情况下，这个模型的数字在0到1之间，但是我们怎么解释呢？ 让我们以0.20的logit作为例子 我们能否断言一个案例属于B组vs A组的可能性为20％？ 这是解释logit值的正确方法吗？

26 regression  logistic  logit 

logistic和logit回归之间有什么区别？我知道它们是相似的（甚至是相同的东西），但是有人可以解释这两者之间的区别吗？关于赔率一？

21 regression  logistic  terminology  logit  odds 

谁能提供清晰的对数线性回归与逻辑回归之间的区别的清单？我知道前者是一个简单的线性回归模型，但是我不清楚何时应使用它们。

21 regression  logistic  logit  log-linear 

我在JMP中运行了一个多项式logit模型，并返回了结果，其中包括AIC以及每个参数估计值的卡方p值。该模型具有一个分类结果和7个分类解释变量。 然后，我使用nnet包中的multinom函数来拟合我认为可以在R中构建相同模型的内容。 该代码基本上是： fit1 <- multinom(y ~ x1+x2+...xn,data=mydata); summary(fit1); 但是，两者给出的结果不同。对于JMP，AIC为2923.21，nnet::multinom对于AIC为3116.588。 所以我的第一个问题是：其中一个模型有误吗？ 第二件事是，JMP为我需要的每个参数估计值提供卡方的p值。在多项式fit1上运行摘要不会-仅给出估计值，AIC和偏差。 因此，我的第二个问题是：有没有一种方法可以获取模型的p值并在使用时进行估算nnet::multinom？ 我知道mlogit是另一个R包，它的输出看起来包括p值。但是，我无法mlogit使用我的数据运行。我认为我的数据格式正确，但是它说我的公式无效。我使用了与以前相同的公式multinom，但似乎使用管道需要使用不同的格式，但我不知道它是如何工作的。 谢谢。

20 r  logistic  multinomial  logit  jmp 

精度定义为： p = true positives / (true positives + false positives) 对不对，作为true positives和false positives做法0，精度接近1？ 召回相同的问题： r = true positives / (true positives + false negatives) 我目前正在实施统计测试，需要计算这些值，有时分母为0，我想知道在这种情况下应返回哪个值。 PS：请原谅，不恰当的标签，我想用recall，precision和limit，但我不能创造新的标签呢。

20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

在logit模型中，是否有一种比每个级别都使用虚拟变量更聪明的方法来确定独立序数变量的影响？

18 logistic  logit  ordinal-data 

我有以下概率函数： 概率= 11 + e- ž概率=1个1个+Ë-ž\text{Prob} = \frac{1}{1 + e^{-z}} 哪里 ž= B0+ B1个X1个+ ⋯ + BñXñ。ž=乙0+乙1个X1个+⋯+乙ñXñ。z = B_0 + B_1X_1 + \dots + B_nX_n. 我的模特看起来像 镨（ÿ= 1 ）= 11 + 经验（- [ - 3.92 + 0.014 × （性别）] ）镨（ÿ=1个）=1个1个+经验值⁡（-[-3.92+0.014×（性别）]）\Pr(Y=1) = \frac{1}{1 + \exp\left(-[-3.92 + 0.014\times(\text{gender})]\right)} 我知道拦截（3.92）的含义，但是现在我知道如何解释0.014。这些还是对数赔率，赔率比率，还是我现在可以断言，每增加一次赔率变化都是性别，女性获胜的可能性比男性高0.014。基本上，我该如何解释0.014？ 基本上，我想采用概率函数并针对要编写的特定程序在Java中实际实现，但是我不确定我是否正确理解了在Java中实现该函数的功能。 Java代码示例： double …

18 probability  logistic  logit 

可以使用以下代码在R中执行logit回归： > library(MASS) > data(menarche) > glm.out = glm(cbind(Menarche, Total-Menarche) ~ Age, + family=binomial(logit), data=menarche) > coefficients(glm.out) (Intercept) Age -21.226395 1.631968 看来优化算法已经收敛-存在有关费舍尔评分算法的步数的信息： Call: glm(formula = cbind(Menarche, Total - Menarche) ~ Age, family = binomial(logit), data = menarche) Deviance Residuals: Min 1Q Median 3Q Max -2.0363 -0.9953 -0.4900 0.7780 1.3675 Coefficients: …

17 r  generalized-linear-model  optimization  algorithms  logit 

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}y:{Bad, Neutral, Good}→{1,2,3}y:\{\text{Bad, Neutral, Good}\} \rightarrow \{1,2,3\}X:=[x1,x2,x3]X:=[x1,x2,x3]X:=[x_1,x_2,x_3]yyyXXXyyy 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 = 0.607x1x1x_1β^1β^1\hat{\beta}_1−0.5−0.5-0.5e−0.5=0.607e−0.5=0.607e^{-0.5} = 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 “？x1x1x_1GoodGood\text{Good}0.6070.6070.607Bad∪NeutralBad∪Neutral\text{Bad}\cup \text{Neutral}x1x1x_1Neutral∪GoodNeutral∪Good\text{Neutral} \cup \text{Good}0.6070.6070.607BadBad\text{Bad} 在我的教科书或Google中找不到负系数解释的任何示例。

17 logit  odds-ratio  ordered-logit 

我正在使用二项式逻辑回归来确定是否暴露has_x或has_y影响用户点击某事的可能性。我的模型如下： fit = glm(formula = has_clicked ~ has_x + has_y, data=df, family = binomial()) 这是我模型的输出： Call: glm(formula = has_clicked ~ has_x + has_y, family = binomial(), data = active_domains) Deviance Residuals: Min 1Q Median 3Q Max -0.9869 -0.9719 -0.9500 1.3979 1.4233 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.504737 …

15 regression  logistic  standard-error  logit 

如何在logit或probit模型中测试所选系数的同时相等性？什么是标准方法，什么是最新方法？

14 hypothesis-testing  logit  probit 

最近，我对实现beta回归模型感兴趣，其结果是成比例的。请注意，此结果将不适合二项式上下文，因为在此上下文中没有有意义的离散“成功”概念。实际上，结果实际上是持续时间的一部分。分子是某个条件处于活动状态时的秒数，在该条件有资格处于活动状态的总秒数。我为这些变化感到抱歉，但我不想过多地关注这个精确的上下文，因为我意识到，除了beta回归外，还有多种方法可以对这种过程进行建模，而现在我对理论更加感兴趣我在尝试实施这种模型时遇到的问题（尽管我当然是， 无论如何，我能够找到的所有资源都表明，使用logit（或probit / cloglog）链接通常适合使用beta回归，并且将参数解释为对数奇数。但是，我还没有找到一个引用，该引用实际上提供了为什么要使用此链接的任何真实理由。 Ferrari＆Cribari-Neto（2004）的原始论文没有提供依据。他们仅注意到logit函数“特别有用”，这是因为对指数参数进行了比值比解释。其他来源则暗示了从区间（0,1）到实线的映射的愿望。但是，考虑到我们已经假设了beta分布，我们是否一定需要链接函数来进行这种映射？链接功能除了假设开始使用beta分布所施加的约束之外，还能提供什么好处？我已经进行了几次快速模拟，即使使用概率分布很大程度上集中在0或1附近的beta分布进行模拟，也没有看到具有（identity）链接的（0,1）区间之外的预测。还不够全面，无法捕捉到某些病理。 在我看来，基于个人在实践中如何根据Beta回归模型（即，比值比）解释参数估计值，即他们隐含地推断出“成功”的几率；也就是说，他们正在使用Beta回归代替二项式模型。考虑到beta和二项式分布之间的关系，这也许在某些情况下是适当的，但是在我看来，这应该是比一般情况更特殊的情况。在这个问题中，提供了一个答案来解释相对于连续比例而不是结果的优势比，但是在我看来，尝试以这种方式解释事物比使用日志等不必要的麻烦或身份链接，并解释百分比变化或单位偏移。 那么，为什么我们将logit链接用于beta回归模型？仅仅是为了方便起见，将其与二项式模型相关联？

14 logit  beta-regression 

我一直在使用进行模型调整caret，但随后使用该gbm软件包重新运行模型。据我了解，caret程序包使用gbm的输出应相同。然而，data(iris)使用RMSE和R ^ 2作为评估指标，使用进行的快速测试显示模型中的差异约为5％。我想使用来找到最佳模型性能，caret但要重新运行gbm以利用部分依赖图。下面的代码具有可重复性。 我的问题是： 1）为什么即使这两个软件包应该相同，我仍会看到这两个软件包之间的差异（我知道它们是随机的，但5％的差异还是很大的，尤其是当我没有使用iris建模时使用的很好的数据集时） 。 2）同时使用这两个软件包有什么优点或缺点？ 3）不相关：使用iris数据集时，最佳interaction.depth值为5，但高于我所阅读的最大值，使用最大值floor(sqrt(ncol(iris)))为2。这是严格的经验法则还是非常灵活？ library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric <- "RMSE" trainControl <- trainControl(method="cv", number=10) set.seed(99) gbm.caret <- train(Sepal.Length ~ ., data=iris, distribution="gaussian", method="gbm", trControl=trainControl, verbose=FALSE, tuneGrid=caretGrid, metric=metric, bag.fraction=0.75) print(gbm.caret) # …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

我想在Python中运行顺序逻辑回归-对于具有三个级别并具有一些解释性因素的响应变量。该statsmodels软件包支持二进制logit和多项式logit（MNLogit）模型，但不支持有序logit。由于基础数学没有太大不同，我想知道是否可以使用这些方法轻松实现？（或者，其他可以使用的Python软件包也受到赞赏。）

12 categorical-data  python  logit  ordered-logit  statsmodels