Logistische regressie modellen voor Multinomiale en Ordinaal Variabelen

multinomiale logistische regressie

De multinomiaal (aka polytome) logistische regressie model is een eenvoudige uitbreiding van de binomiale logistische regressie model. Ze worden gebruikt als de afhankelijke variabele meer dan twee nominale (ongeordende) categorieën.

Dummy codering van onafhankelijke variabelen heel gewoon. In multinomiale logistische regressie de afhankelijke variabele wordt dummy gecodeerd in meerdere 1/0 variabelen. Er is een variabele voor alle categorieën, maar één, dus als er M categorieën, zal er M-1 dummy variabelen. Alle maar één categorie heeft zijn eigen dummyvariabele. Dummyvariabele Elke categorie heeft een waarde van 1 voor de categorie en een 0 voor alle anderen. Één categorie, de referentie-categorie, heeft geen eigen dummy variabele nodig, want het is uniek geïdentificeerd door alle andere variabelen zijn 0.

De mulitnomial logistische regressie schat dan een aparte binaire logistische regressie model voor elk van deze dummy variabelen. Het resultaat is een M-1 binaire logistische regressie modellen. Elk vertelt het effect van de voorspellers van de kans op succes in die categorie, in vergelijking met de referentiegroep. Elk model heeft zijn eigen snijpunt en regressiecoëfficiënten - de voorspellers kan elke categorie verschillend beïnvloeden

Waarom niet gewoon uitvoeren van een reeks van binaire regressie modellen.? Je kon, en mensen gebruikt om, voordat multinomiale regressie modellen waren op grote schaal beschikbaar in de software. U zult waarschijnlijk vergelijkbare resultaten te krijgen. Maar draait hen betekent dat ze samen tegelijkertijd geschat, wat betekent dat de parameter schattingen zijn efficiënter - er minder algemene onverklaarbare fout

Ordinal Logistic Regression:. De proportionele Odds Model

Als de respons categorieën worden besteld, kon je een multinomiaal regressiemodel draaien. Het nadeel is dat je het weggooien van informatie over het bestellen. Een ordinale logistische regressie model bewaart die informatie, maar het is iets meer betrokken.

In de Proportioneel Odds Model, het evenement wordt gemodelleerd is niet met een resultaat in een enkele categorie, zoals in het binaire en multinomiale modellen. Integendeel, de gebeurtenis die gemodelleerd is met een resultaat in een bepaalde categorie of een eerdere categorie

Bijvoorbeeld voor een geordende respons variabele met drie categorieën, de mogelijke gebeurtenissen zijn gedefinieerd als:.

* wordt in groep 1
* zich in groep 2 of 1
* zich in groep 3, 2 of 1

In de proportionele kansen model, elk resultaat heeft zijn eigen onderscheppen, maar dezelfde regressiecoëfficiënten. Dit betekent:

1. de algehele kansen van elk geval kan verschillen, maar

2. het effect van de voorspellers van de kans van een gebeurtenis in elke volgende categorie is hetzelfde voor elke categorie. Dit is een aanname van het model dat u nodig hebt om te controleren. Het wordt vaak geschonden.

Het model is iets anders geschreven in SPSS dan gebruikelijk, met een min-teken tussen de onderscheppen en alle regressiecoëfficiënten. Dit is een manier zorgen dat positieve coëfficiënten verhogingen X waarden leiden tot een toename van de waarschijnlijkheid van de hogere genummerde antwoordcategorieën. In SAS, het bord is een plus, dus stijgingen in predictor waarden leiden tot een toename van de kans in de lagere genummerde antwoordcategorieën. Zorg ervoor dat u begrijpt hoe het model is opgezet in uw statistisch pakket voordat het interpreteren van resultaten
.