タグ付けされた質問 「logit」

プロビットやロジットなどのバイナリモデルでオフセットがどのように機能するのか、誰からも導出されていますか？ 私の問題では、フォローアップウィンドウの長さが異なる場合があります。患者が治療として予防注射を受けたとします。ショットはさまざまなタイミングで発生するため、結果がフレアアップが発生したかどうかのバイナリインジケータである場合、一部の人々が症状を示す時間があることを調整する必要があります。フレアアップの確率は、フォローアップ期間の長さに比例するようです。（ポアソンとは異なり）オフセットのあるバイナリモデルがこの直感をどのようにキャプチャするかは、数学的には明確ではありません。 オフセットは、Stata（p.1666）とRの両方の標準オプションであり、ポアソンについては簡単に確認できますが、バイナリの場合は少し不透明です。 たとえば、 これは代数的にモデルと同等です。 は、係数が1に制限された標準モデルです。これは対数オフセットと呼ばれます。\ exp \ {\}を\ Phi（）または\ Lambda（）に置き換えた場合、これがどのように機能するかを理解するのに苦労しています。E[y| x]=exp{x′β+logZ}、logZ1E[ y| x ]Z= exp{ x′β} 、E[y|バツ]Z=exp⁡{バツ′β}、\begin{equation} \frac{E[y \vert x]}{Z}=\exp\{x'\beta\}, \end{equation}E[ y| x ] = exp{ x′β+ ログZ} 、E[y|バツ]=exp⁡{バツ′β+ログ⁡Z}、\begin{equation}E[y \vert x]=\exp\{x'\beta+\log{Z}\}, \end{equation}ログZログ⁡Z\log Z111Φ （）Λ （）exp{ }exp⁡{}\exp\{\}Φ （）Φ（）\Phi()Λ （）Λ（）\Lambda() アップデート＃1： 以下にロジットのケースについて説明しました。 アップデート＃2： ここでは、プロビットのような非ポアソンモデルのオフセットの主な使用方法と思われるものについて説明します。オフセットを使用して、インデックス関数係数の尤度比テストを実行できます。まず、制約のないモデルを推定し、推定を保存します。という仮説をテストするとします。次に、変数を作成し、をドロップし、を非対数オフセットとして使用するモデルに適合します。これが制約モデルです。LRテストは2つを比較し、通常のWaldテストの代替です。、Z = 2 ⋅ X X Zβバツ= 2βバツ=2\beta_x=2z= …

12 logit  probit  logarithm  offset 

線形項と二次項のみのロジスティック回帰では、線形係数と二次係数\ beta_2がある場合、-\ beta_1 /（2 \ beta_2）に確率の転換点があると言えますか？β1β1\beta_1β2β2\beta_2- β1/（2 β2）−β1/（2β2）-\beta_1 / (2\beta_2)

12 interpretation  logit  polynomial 

以前の投稿で、EQ-5Dスコアをどのように扱うかを考えました。最近、BottaiとMcKeownが提案したロジスティッククォンタイル回帰に出くわしました。式は簡単です： L O Gi t （y）= l o g（y− yM I nはymは、Xが− y）log私t（y）=log（y−ym私nymaバツ−y）logit(y)=log(\frac{y-y_{min}}{y_{max}-y}) 回避ログ（0）と0で除算するには、小さな値で範囲を拡張。これにより、スコアの境界を尊重する環境が得られます。ϵϵ\epsilon 問題は、すべてのがロジットスケールになり、通常のスケールに変換し直さなければ意味がないことですが、それはβが非線形であることを意味します。グラフ作成の目的では、これは重要ではありませんが、βの数が多い場合は問題になりません。ββ\betaββ\betaββ\beta 私の質問： フルスパンを報告せずにロジットを報告するにはどうすればよいですか？ββ\beta 実装例 実装をテストするために、この基本機能に基づいたシミュレーションを作成しました。 o u t c o m e = β0+ β1∗ x t e s t3+ β2∗ s e xoあなたはtcome=β0+β1∗バツtest3+β2∗seバツoutcome=\beta_0+\beta_1* xtest^3+\beta_2*sex ここで、、β 1 = 0.5及びβ 2 = 1。スコアには上限があるため、4以上および-1未満の結果値を最大値に設定しました。β0= 0β0=0\beta_0 = 0β1= 0.5β1=0.5\beta_1 …

12 r  logistic  data-visualization  logit  quantile-regression 

順序付きロジット回帰を実行しようとしています。私はそのようにモデルを実行しています（収入と人口の測定から市場の企業数を推定するばかげた小さなモデル）。私の質問は予測についてです。 nfirm.opr<-polr(y~pop0+inc0, Hess = TRUE) pr_out<-predict(nfirm.opr) 予測を実行すると（予測されたyを取得するために使用しています）、出力は0、3、または27のいずれかであり、これは係数からの手動予測に基づく予測であると思われるものを反映するものではありません推定と傍受。注文したロジットモデルの「正確な」予測を取得する方法を知っている人はいますか？ 編集 私の懸念を明確にするために、私の応答データにはすべてのレベルにわたる観察があります >head(table(y)) y 0 1 2 3 4 5 29 21 19 27 15 16 私の予測変数が集まっているように見えるところ > head(table(pr_out)) pr_out 0 1 2 3 4 5 117 0 0 114 0 0

12 r  econometrics  logit  ordered-logit 

誰でもプロビットとロジットモデルの限界効果を簡単に計算する方法を説明できますか？ 私は統計に不慣れで、これら2つのモデルについて混乱しています。

12 logistic  interpretation  logit  probit 

これが私がやりたいことですがpredict、mlogitの方法がないようです。何か案は？ 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 

ロジスティック回帰は、イベントのログオッズをいくつかの予測子のセットとしてモデル化します。つまり、log（p /（1-p））で、pは何らかの結果の確率です。したがって、いくつかの変数（x）の生のロジスティック回帰係数の解釈は、対数オッズスケールでなければなりません。つまり、x = 5の係数の場合、結果が発生する対数オッズスケールで、x対応の1単位の変化から5単位の変化への変化がわかります。 ただし、指数化されたロジスティック回帰係数をオッズ比として解釈する人がよくいます。しかし、明らかにexp（log（p /（1-p）））= p /（1-p）であり、これはオッズです。私が理解している限り、オッズ比は、1つのイベントが発生するオッズ（たとえば、イベントAのp /（1-p））が別のイベントが発生するオッズ（たとえば、イベントのp /（1-p））に対するオッズです。 B）。 ここで何が欠けていますか？指数ロジスティック回帰係数のこの一般的な解釈は正しくないようです。

10 regression  logistic  logit 

2x2およびIx2の分割表でのロジスティック回帰の使用を理解しようとしています。たとえば、これを例として使用します カイ二乗検定とロジスティック回帰の違いは何ですか？次のような複数の名目上の因子（Ix2テーブル）を持つテーブルはどうでしょうか。 ここに同様の質問がありますが、答えは主にカイ二乗がmxnテーブルを処理できるということですが、私の質問は、バイナリの結果と単一の名目上の因子がある場合の具体的なものです。（リンクされたスレッドはこのスレッドも指しますが、これは複数の変数/因子に関するものです）。 それがバイナリ応答を持つ単一の因子（つまり、他の変数を制御する必要がない）の場合、ロジスティック回帰を行う目的の違いは何ですか？

10 logistic  chi-squared  logit  contingency-tables 

これで統計的推論が混乱することはわかっていますが、私は本当に正確なモデルにできるだけ近づくことにのみ関心があります。 私は二分予測変数の大きなセットで、二分結果変数を持っています。LASSOを使用してモデルに含める必要のある変数を選択し、選択した変数をLogit回帰に入力したいと考えています。 このアプローチの実用性に関して私が見落としていることはありますか？

10 model-selection  lasso  logit 

以下の移植片は、この記事から引用したものです。私はブートストラップの初心者であり、R bootパッケージを使用した線形混合モデルのパラメトリック、セミパラメトリック、ノンパラメトリックのブートストラップブートストラップを実装しようとしています。 Rコード これが私のRコードです： 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 ご質問 …

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 

library(lme4) out <- glmer(cbind(incidence, size - incidence) ~ period + (1 | herd), data = cbpp, family = binomial, contrasts = list(period = "contr.sum")) summary(out) Fixed effects: Estimate Std. Error z value Pr(>|z|) (Intercept) -2.32337 0.22129 -10.499 < 2e-16 *** period1 0.92498 0.18330 5.046 4.51e-07 *** period2 -0.06698 0.22845 -0.293 …

9 r  binomial  logit  lme4-nlme 

重要な情報が不足しているようです。ロジスティック回帰の係数は、ロジットスケールと呼ばれるlog（odds）にあることを知っています。したがって、それらを解釈するためにexp(coef)採用され、オッズ比ORが得られます。 もし β1=0.012β1=0.012\beta_1 = 0.012 解釈は次のとおりです。共変量の1単位の増加 X1X1X_1、ログオッズ比は0.012です。これは、意味のある情報を提供しません。 べき乗により、共変量が1単位増加します。 X1X1X_1、オッズ比は1.012（exp(0.012)=1.012exp⁡(0.012)=1.012\exp(0.012)=1.012）、または Y=1Y=1Y=1 よりも1.012高い可能性があります Y=0Y=0Y=0。 ただし、係数はパーセンテージで表現したいと思います。GelmanとHillによると、回帰とマルチレベル/階層モデルを使用したデータ分析、111ページ： 係数βは累乗され、乗法効果として扱われます。」 したがって、β1= 0.012の場合、「予想される乗法的増加はexp（0.012）= 1.012、または1.2％の正の差... しかし、私のスクリプトによると ODDS=p1−pODDS=p1−p\text{ODDS} = \frac{p}{1-p} と逆ロジット式の状態 P=OR1+OR=1.0122.012=0.502P=OR1+OR=1.0122.012=0.502 P=\frac{OR}{1+OR}=\frac{1.012}{2.012}= 0.502 共変量が1単位増えると、Y = 1の確率が50％増えると解釈したくなります。これは間違っていると思いますが、理由はわかりません。 ロジット係数は確率でどのように解釈できますか？

9 probability  logistic  binary-data  logit  odds-ratio 

質問したいのですが、いくつかの変数が通貨危機のリスクを改善するかどうかを調査するためにロジットを使用しています。私は1980年からの多くの国（不均衡なパネル）の年次データを持っています。ダミー変数は、通貨危機が始まった場合（私の定義によれば）1、それ以外の場合は0です。説明変数は、経常収支/ GDP、純外国資産/ GDP、ローン/ GDPなどのいくつかの理論によるものです...すべてが遅れています（-1）。私はロバストな標準誤差を使用していますが、これは不均一分散と一致しているはずです。ただし、たとえばGDPまたはNFA / GDPへのローンは定常性ではありません（パネルテスト）。これは問題ですか？ロジット/プロビットを実行する定常性の紙のテストを見たことがありません。私にとってそれが問題ではないことも直感的です。変数が危機のリスクを増加させるかどうかをテストしている場合、それは問題ではないはずです。この変数が永続的に上昇していること。逆に、上昇する変数は危機のリスクを永続的に上昇させており、それが持続不可能なレベルに達すると、危機が発生します。私が正しいかどうか、答えてください。

8 logit  probit 

次の一般化線形モデルがあります。オブジェクトglmDVは、試行全体に対する成功の割合としてモデル化されます。オブジェクトx_iは連続変数です。 これは数学表記ではどのように見えますか？ winp.glm = glm(glmDV ~ x1 + x2 + x3 + x4 + x5 + x6 + x7, data=myData, family=binomial("logit"))

8 r  generalized-linear-model  logit  notation 

私は3つの選択肢から職業選択のモデルを推定しようとしています。このような順序付けされていないカテゴリ結果を処理するときに多項ロジスティック回帰を使用する代わりの方法はありますか？ バイナリ従属変数を扱う場合、LPMモデルやバイナリプロビットモデルやロジットモデルなど、いくつかの選択肢があるようです。ただし、順序付けされていないカテゴリ変数を扱う場合、文献では、代替案と比較せずに多項ロジットモデルを推奨しています。

8 regression  logit  probit  link-function  multinomial-logit