Logistisk regression Modeller for MULTINOMIAL og Ordinaldata Variabler

MULTINOMIAL Logistisk regression

multinomial (aka polytomous) logistisk regressionsmodel er en simpel udvidelse af binomial logistisk regressionsmodel. De bruges, når den afhængige variabel har mere end to nominelle (uordnet) kategorier.

Dummy kodning af uafhængige variable er helt almindeligt. I multinomial logistisk regression den afhængige variabel er dummy kodet ind multipel 1/0 variabler. Der er en variabel for alle kategorier, men én, så hvis der er M kategorier, vil der være M-1 dummy-variabler. Alle undtagen én kategori har sin egen dummy variabel. Hver kategori er dummy variabel har værdien 1 for sin kategori og et 0 for alle andre. En kategori er henvisningen kategori, behøver ikke sin egen dummy variabel, da det entydigt identificeres af alle de andre variable bliver 0.

mulitnomial logistisk regression så estimerer en separat binær logistisk regressionsmodel for hver af disse dummy variabler. Resultatet er M-1 binære logistiske regressionsmodeller. Hver enkelt fortæller virkningen af ​​prædiktorer om sandsynligheden for succes i denne kategori, i sammenligning med referencen kategori. Hver model har sine egne aksen og regressionskoefficienter - de prædiktorer kan påvirke hver kategori forskelligt

Hvorfor ikke bare køre en serie af binære regressionsmodeller.? Du kunne, og folk bruges til, før multinomial regressionsmodeller var bredt tilgængelige i softwaren. Du vil sandsynligvis få lignende resultater. Men kører dem betyder tilsammen skønnes samtidig, hvilket betyder, at parameterestimaterne er mere effektive - der er mindre samlet uforklarlig fejl

Ordinal Logistisk regression:. Den forholdsmæssige Odds Model

Når svaret kategorier er bestilt, kan du køre en multinomial regressionsmodel. Ulempen er, at du smide oplysninger om bestilling. En ordinal logistisk regressionsmodel bevarer disse oplysninger, men det er lidt mere involveret.

I den forholdsmæssige Odds model, begivenheden bliver modelleret er ikke at have et resultat i en enkelt kategori, som det sker i den binære og multinomial modeller. Snarere, idet begivenheden modelleret er at have et resultat i en bestemt kategori eller nogen tidligere kategori

For eksempel, for en ordnet variabel respons med tre kategorier, de mulige begivenheder defineres som:.

* at være i gruppe 1
* at være i gruppe 2 eller 1
* at være i gruppe 3, 2 eller 1.

I den forholdsmæssige odds model, hvert resultat har sin egen opsnappe, men det samme regressionskoefficienter. Det betyder:

1. de samlede odds for alle omstændigheder kan variere, men

2. effekten af ​​prædiktorer på oddsene for en begivenhed, der forekommer i hver efterfølgende kategori er den samme for hver kategori. Dette er en antagelse om den model, du har brug for at kontrollere. Det er ofte krænket.

Modellen er skrevet noget forskelligt i SPSS end normalt, med et minustegn mellem skæringspunktet og alle regressionskoefficienterne. Dette er en konvention der sikrer, at for positive koefficienter, stigninger i X-værdier føre til en stigning af sandsynlighed i de højere nummererede svarkategorier. I SAS, tegnet er et plus, så stigninger i prædiktor værdier føre til en stigning af sandsynlighed i nederste nummererede svarkategorier. Sørg for at du forstår, hvordan modellen er sat op i dit statistisk pakke før tolkning resultater
.