사례 가중 로지스틱 회귀


9

몇 가지 로지스틱 회귀 문제를보고 있습니다. ( "일반"및 "조건부").

이상적으로는 glm이 낮은 가중치의 사례를 잘못 분류 할 가능성이 있지만 높은 가중치의 사례를 정확하게 예측하는 데 더 집중할 수 있도록 각 입력 사례에 가중치를 부여하고 싶습니다.

분명히 이것은 전에 이루어졌습니다. 누구나 나를 관련 문헌으로 안내 할 수 있습니까 (또는 수정 된 가능성 함수를 제안 할 수도 있습니다).

감사!


1
예측과 달리 분류가 목표라고 가정합니다. 확률을 최적으로 추정하기 위해 아무것도 다시 가중치를 지정할 필요가 없습니다. "거짓 부정"및 "거짓 긍정적"은 강제 선택에서만 발생하며 일반적으로 순수한 이진 선택을 강요하는 사람은 없습니다.
— Frank Harrell

@ 프랭크 당신은 좋은 지적을합니다. 궁극적으로이 프로젝트의 목표는 추가 이벤트의 결과를 예측하는 것입니다. (따라서 훈련 데이터가있는 머신 러닝 기술로 생각할 수 있습니다.) 일부 결과는 다른 결과보다 "중요"하므로 그에 따라 가중치를 적용 할 방법을 찾고있었습니다. 우도 함수에 대한 Nick의 제안은 의미가 있으며 코드로 구현하기에는 매우 간단해야합니다.
— 노아

1
가중치가 필요없는 정확한 확률 모델이 필요한 것처럼 들립니다.
— Frank Harrell

1
권리; 비용 함수를 연결하고 예측 된 확률을 사용하면 최적의 결정을 내릴 수 있습니다.
— Frank Harrell

1
잘 보정 된 확률 모델에는 "오류"가 없으며 예측할 수없는 임의성이 있습니다. 최적의 결정은 예측 된 확률의 함수이며 다양한 결정을 내릴 수있는 비용 함수입니다.
— Frank Harrell

답변:


3

glmweights이 목적을 위해 매개 변수를 정확하게 보유합니다 . 관측치와 동일한 수의 가중치를 보유하는 모든 규모의 숫자 벡터를 제공합니다.

나는 지금 당신이 말하고 있지 않을 수도 있다는 것을 알고 있습니다 R. 그렇지 않은 경우 원할 수 있습니다.


나는 R에 매우 익숙하지만 가능성 함수의 수학을 이해하고 싶습니다. 이것을 C ++ 또는 다른 언어로 코딩 할 수 있습니다. (단지 glm 기능의 "블랙 박스"를 신뢰하는 것이 항상 최상의 솔루션은 아닙니다)
— Noah

아 너에게 좋다. 내가 아는 한, 가중치는 단순히 관측 당 로그 가능성을 곱하는 데 사용됩니다. 비가 중 버전을 작성했다면 가중치를 추가하는 것이 방해가됩니다. 또한 glmC 구현을 찾으 려면 소스 코드를 항상 볼 수 있습니다 .
— Nick Sabbe

2
@ Nick, 나도 이것이 glm의 가중치 인수의 기능이라는 오해 아래있었습니다. 실제로는 이항 결과가 서로 다른 횟수의 시도를 기반으로한다는 의미에서 이질적 일 때 사용됩니다. 예를 들어, 첫 번째 관측치가 Binomial ( )이고 두 번째 관측치가 Binomial ( )이면 가중치는 입니다. 다시 glm ()의 가중치 인수는 가중치를 샘플링하지 않습니다. R에서이를 수행하려면 가중치에 따라 데이터 세트를 펼치고 모델을 확장 된 데이터 세트에 맞아야합니다 (이 경우 SE는 틀릴 수 있음). 3,.57,.53,7
— 매크로

3
다음은 메시지 보드의 'weights'인수에 대한 설명입니다. r.789695.n4.nabble.com/Weights-in-binomial-glm-td1991249.html
— Macro

@ 매크로 : thx! 매우 깔끔합니다. 내가 당신의 의견 전에 그것을 사용한다면 치아에서 나를 때릴 수있는 것 중 하나 :-)
— Nick Sabbe

1

SAS에 액세스 할 수 있으면 PROC GENMOD를 사용하여 매우 쉽게 수행 할 수 있습니다. 각 관측치에 가중치 변수가있는 한 가중치 계산 문을 사용하면 원하는 종류의 분석을 수행 할 수 있습니다. 나는 주로 치료의 역 확률 가중치를 사용하여 사용했지만 N이 일정하게 유지되는 한 특정 유형의 사례를 강조하기 위해 데이터에 가중치를 할당 할 수없는 이유는 없습니다. 기술적으로 가중치가 부여 된 사례는 반복 관찰되므로 일종의 ID 변수를 포함해야합니다. 관찰 ID가 'id'이고 가중치 변수가 'wt'인 예제 코드 :

proc genmod data=work.dataset descending;
    class id;
    model exposure = outcome covariate / dist=bin link=logit;
    weight wt;
    repeated subject=id/type=ind;
run;
당사 사이트를 사용함과 동시에 당사의 쿠키 정책과 개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.