連続従属変数にロジスティック回帰を使用する

最近、研究論文の改訂版を入手しました。以下は、私の論文に対する査読者のコメントです。

1つのモデルから得られた結果はあまり説得力がありません。特に、線形回帰は通常、外れ値の処理に欠陥があります。著者はまた、ロジスティック回帰を試み、対応する結果を現在の結果と比較することをお勧めします。同様の観察結果が得られれば、結果はより確実になります。

レビューアのコメントは正しいですか？ロジスティック回帰は、多重線形回帰よりも優れていますか？

問題は、私の従属変数がカテゴリカルではなく、スケール変数であることです。私は今何ができますか？私のモデルを評価するために、他にどのような回帰方法をお勧めしますか？

スコアは次の表の従属変数です。最新性、頻度、在職期間、最終スコアは独立変数です。

私はサイトからこれらの変数を抽出していると私は、これらのことを仮定した独立変数が持っている重要な影響にスコアを。したがって、私は次のモデルを表します。

ちなみに、この線形モデルのR 2乗の値は0.316です。レビューアもこの値についてコメントしました：

学習された係数の質に関する指標がないため、結果は説得力がありません。小さなR ^ 2は、モデルが過剰適合している可能性があるため、良好なパフォーマンスを示すことはできません。

Rの2乗に対して0.316は非常に低いですか？以前の論文で、私は同様の価値観をたくさん見ました。

$Y$ormrms

また、1、2、3、4パーセンタイルのスコアにそれぞれ値1、2、3、および4を割り当てることにより、順序付けられたプロビット/ロジットモデルを試すこともできます。

スコアを二分する（バイナリ変数に変換する）ことができます。スコアが0〜100の場合、50未満のスコアには0を割り当て、それ以外の場合は1を割り当てることができます。これは外れ値に対処する良い方法だと聞いたことはありません。非常に高いスコアまたは低いスコアを区別することが不可能になるため、これは外れ値を単に隠す可能性があります。これは私にはあまり意味がありませんが、試すことができます。

$\beta$$R^2$

$R^2$$R^2$

私は統計について多くのことを知っているふりをするつもりはありませんが、彼のコメントに基づいて、このレビュアーはさらに少ないかもしれないと私には思われます。

連続従属変数に対してもロジスティック回帰を適用することが可能です。予測scoreが常に範囲内にあることを確認したい場合、それは理にかなっています[0, 100]（私はスクリーンショットから、100ポイントのスケールであると判断しています）。

それを達成するために、ちょうど100であなたのスコアを分割し、これをロジスティック回帰を実行する[0,1]-ベースのターゲット変数を、この質問のように -あなたが、例えば、それを行うことができR、使用して

glm(y~x, family="binomial", data=your.dataframe)

$R^2$

$R^2\approx 0.3$$R^2$$R^2$