Modelli di regressione logistica per multinomiali ordinali e variabili

Regressione logistica multinomiale

(aka politomica) modello di regressione logistica multinomiale è una semplice estensione del modello di regressione logistica binomiale. Essi sono utilizzati quando la variabile dipendente ha più di due (non ordinate) categorie nominali.

Dummy codifica delle variabili indipendenti è abbastanza comune. In regressione logistica multinomiale la variabile dipendente è fittizia codificato in più 1/0 variabili. C'è una variabile per tutte le categorie tranne uno, quindi se ci sono categorie M, ci sarà M-1 variabili dummy. Tutti tranne uno categoria ha la sua variabile dummy. Variabile fittizia di ogni categoria ha un valore pari a 1 per la sua categoria e un 0 per tutti gli altri. Una categoria, la categoria di riferimento, non ha bisogno di una propria variabile dummy, così come è identificato in modo univoco da tutte le altre variabili che sono 0.

La regressione logistica mulitnomial poi stima un modello di regressione logistica binario separato per ciascuna di quelle variabili dummy. Il risultato è M-1 modelli di regressione logistica binaria. Ognuno dice l'effetto dei predittori sulla probabilità di successo in quella categoria, in confronto alla categoria di riferimento. Ogni modello ha i suoi coefficienti di intercettare e di regressione - predittori possono interessare ogni categoria in modo diverso

Perché non basta eseguire una serie di modelli di regressione binari.? Si potrebbe, e chi è abituato a, prima di modelli di regressione multinomiali erano ampiamente disponibili nel software. È probabile che ottenere risultati simili. Ma li correre insieme significa che sono stimati simultaneamente, il che significa che le stime dei parametri sono più efficienti - c'è meno errore inspiegabile complessivo

ordinale Regressione logistica:. Il proporzionale Odds modello

Quando la risposta categorie sono ordinati, è possibile eseguire un modello di regressione multinomiale. Lo svantaggio è che si sta gettando via le informazioni relative l'ordine. Un modello di regressione logistica ordinale conserva tali informazioni, ma è leggermente più coinvolti.

Nel proporzionali Odds Modello, l'evento viene modellata è non avere un risultato in una singola categoria, come si fa in binario e multinomiale modelli. Piuttosto, l'evento viene modellato sta avendo un risultato in una particolare categoria o di qualsiasi categoria precedente

Ad esempio, per una variabile di risposta ordinati con tre categorie, i possibili eventi sono definiti come:.

* essere nel gruppo 1
* essere nel gruppo 2 o 1
* essere nel gruppo 3, 2 o 1

Nel modello di probabilità proporzionale, ogni risultato ha il proprio intercetta, ma lo stesso coefficienti di regressione. Ciò significa:

1. le probabilità complessive di ogni evento possono differire, ma

2. l'effetto dei predittori sulle probabilità di un evento verificatosi in ogni categoria successiva è la stessa per ogni categoria. Si tratta di un presupposto del modello che è necessario controllare. Si è spesso violata.

Il modello è scritto in modo diverso in SPSS del solito, con un segno meno tra l'intercettazione e di tutti i coefficienti di regressione. Questa è una convenzione per garantire che i coefficienti positivi, aumenti dei valori X portano ad un aumento della probabilità nelle categorie di risposta superiore numerati. In SAS, il segno è un vantaggio, in modo da aumenti dei valori predittore portare ad un aumento della probabilità nelle categorie di risposta inferiori di numero. Assicuratevi di capire come il modello è installato nel vostro pacchetto statistico prima interpretazione dei risultati Hotel  .;