Questions tagged «logit»

是否有人对偏移量在probit和logit等二进制模型中的工作原理有任何推论？ 我的问题是，后续窗口的长度可能会有所不同。假设患者接受了预防性治疗。这个镜头发生在不同的时间，所以如果结果是是否二进制指示任何的突发事，你需要调整的事实，有些人有更多的时间来展示症状。爆发的可能性似乎与随访时间的长短成正比。对我而言，数学上尚不清楚，具有偏移量的二进制模型如何捕获这种直觉（与Poisson不同）。 偏移量是Stata（p.1666）和R的标准选项，对于Poisson来说我很容易看到它，但是二进制情​​况有点不透明。 例如，如果我们有 在代数上等于模型，其中 是标准模型，上的系数限制为。这称为对数偏移量。如果我们将替换为或我很难弄清楚它是如何工作的。E[y|x]Z=exp{x′β},E[y|x]Z=exp⁡{x′β},\begin{equation} \frac{E[y \vert x]}{Z}=\exp\{x'\beta\}, \end{equation}E[y|x]=exp{x′β+logZ},E[y|x]=exp⁡{x′β+log⁡Z},\begin{equation}E[y \vert x]=\exp\{x'\beta+\log{Z}\}, \end{equation}logZlog⁡Z\log Z111exp{}exp⁡{}\exp\{\}Φ()Φ()\Phi()Λ()Λ()\Lambda() 更新＃1： 下面说明了logit情况。 更新＃2： 这是对非泊松模型（如Probit）的偏移量主要用途的解释。该偏移量可用于对指标函数系数进行似然比测试。首先，您要估算无约束模型并存储估算值。假设您要检验的假设。然后，创建变量，将模型删除并使用作为非对数偏移量进行拟合。这是约束模型。LR测试将两者进行比较，并且可以替代常规的Wald测试。βx=2βx=2\beta_x=2z=2⋅xz=2⋅xz=2 \cdot xxxxzzz

12 logit  probit  logarithm  offset 

在仅具有线性和二次项的Logistic回归中，如果我具有线性系数和二次系数，我可以说在-\ beta_1 /（2 \ beta_2）处存在概率的转折点？β1β1\beta_1β2β2\beta_2−β1/(2β2)−β1/(2β2)-\beta_1 / (2\beta_2)

12 interpretation  logit  polynomial 

在上一篇文章中，我想知道如何处理EQ-5D分数。最近，我偶然发现了由Bottai和McKeown建议的逻辑分位数回归，该回归引入了一种处理有限结果的优雅方法。公式很简单： 升Ò 克我吨（ÿ）= 升Ô 克（y- ÿ中号我Ñÿ中号一个X- ÿ）logit(y)=log(y−yminymax−y)logit(y)=log(\frac{y-y_{min}}{y_{max}-y}) 为避免log（0）和被0除，可以将范围扩展一个小值。这提供了尊重分数边界的环境。ϵϵ\epsilon 问题在于，任何都将处于对数刻度，除非转换回常规刻度才有意义，但这意味着将是非线性的。出于图形目的，这并不重要，但如果使用更多：s，则将非常不便。β βββ\betaββ\betaββ\beta 我的问题： 您如何建议在不报告整个跨度的情况下报告logit？ββ\beta 实施实例 为了测试实现，我基于此基本功能编写了一个仿真： Ò ù 吨Ç ø 米Ë = β0+ β1个* x t e s t3+ β2* 小号Ë Xoutcome=β0+β1∗xtest3+β2∗sexoutcome=\beta_0+\beta_1* xtest^3+\beta_2*sex 其中，和。由于分数是有上限的，因此我将大于4的任何结果值和小于-1的任何结果值设置为最大值。β 1 = 0.5 β 2 = 1β0= 0β0=0\beta_0 = 0β1个= 0.5β1=0.5\beta_1 = 0.5β2= 1β2=1\beta_2 = 1 模拟数据 set.seed(10) …

12 r  logistic  data-visualization  logit  quantile-regression 

我正在尝试进行有序的logit回归。我正在像这样运行模型（只是一个愚蠢的小模型，它根据收入和人口指标来估算市场中的公司数量）。我的问题是关于预测。 nfirm.opr<-polr(y~pop0+inc0, Hess = TRUE) pr_out<-predict(nfirm.opr) 当我运行预测（我试图使用它来获取预测的y）时，输出为0、3或27，这决不会反映基于我根据系数的人工预测应该看起来像是预测估计和截距。有谁知道如何为我订购的logit模型获得“准确”的预测？ 编辑 为了澄清我的担忧，我的回答数据包含所有级别的观察结果 >head(table(y)) y 0 1 2 3 4 5 29 21 19 27 15 16 正如我的预测变量似乎在聚集 > head(table(pr_out)) pr_out 0 1 2 3 4 5 117 0 0 114 0 0

12 r  econometrics  logit  ordered-logit 

谁能用外行的术语解释如何计算Probit和Logit模型的边际效应？ 我是统计学新手，对这两种模型感到困惑。

12 logistic  interpretation  logit  probit 

这是我想做的，但是似乎没有predict办法进行mlogit。有任何想法吗？ library(mlogit) data("Fishing", package = "mlogit") Fish <- mlogit.data(Fishing, varying = c(2:9), shape = "wide", choice = "mode") Fish_fit<-Fish[-1,] Fish_test<-Fish[1,] m <- mlogit(mode ~price+ catch | income, data = Fish_fit) predict(m,newdata=Fish_test)

11 r  logistic  logit  multinomial 

Logistic回归将事件的对数几率建模为一组预测变量。也就是说，log（p /（1-p））其中p是某种结果的概率。因此，对于某些变量（x）的原始逻辑回归系数的解释必须在对数优势比上。就是说，如果x的系数= 5，那么我们知道x值对应的1单位更改对应于对数赔率标度上的5单位更改，将发生结果。 但是，我经常看到人们将指数 logistic回归系数解释为优势比。但是，显然exp（log（p /（1-p）））= p /（1-p），这是一个赔率。据我了解，优势比是一个事件发生的几率（例如，事件A的p /（1-p））与另一个事件发生的几率（例如，事件p /（1-p）） B）。 我在这里想念什么？似乎这种对指数逻辑回归系数的常见解释是不正确的。

10 regression  logistic  logit 

我想了解2x2和Ix2列联表中逻辑回归的使用。例如，以此为例 使用卡方检验和逻辑回归有什么区别？像这样具有多个名义因子的表（Ix2表）呢： 还有一个类似的问题在这里 -但答案是主要是卡方能够处理MXN表，但我的问题是什么是specificalyl的时候有一个二元结果和单一标称因素。（链接的线程也引用该线程，但这与多个变量/因数有关）。 如果只是具有二进制响应的单个因素（即无需控制其他变量），那么进行逻辑回归的目的区别是什么？

10 logistic  chi-squared  logit  contingency-tables 

接下来的嫁接摘自本文。我是新手，要引导并尝试为带有R boot包的线性混合模型实现参数，半参数和非参数自举。 R代码 这是我的R代码： library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out 问题 …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography