범주가 적고 독립 변수 세트 가있는 종속 변수 가 있다고 가정 해 봅시다 .
이항 로지스틱 회귀 분석에 비해 다항 로지스틱 회귀 분석의 장점은 무엇입니까 (즉, 1 대 휴식 계획 )? 이항 로지스틱 회귀 집합을 사용 하면 일 때 각 범주 대해 target = 1로 별도의 이진 로지스틱 회귀 모델을 작성 하고 그렇지 않으면 0을 의미합니다.
범주가 적고 독립 변수 세트 가있는 종속 변수 가 있다고 가정 해 봅시다 .
이항 로지스틱 회귀 분석에 비해 다항 로지스틱 회귀 분석의 장점은 무엇입니까 (즉, 1 대 휴식 계획 )? 이항 로지스틱 회귀 집합을 사용 하면 일 때 각 범주 대해 target = 1로 별도의 이진 로지스틱 회귀 모델을 작성 하고 그렇지 않으면 0을 의미합니다.
답변:
경우 아마 의미가 다른 통해 하나의 회귀 "장점"에 대한 두 개 이상의 범주 질문이 당신이 모델 '매개 변수를 비교하는 것을 목표로하는 경우 모델이 근본적으로 다를 수 있기를 :
각 이항 로지스틱 회귀에 대한 및
다중 로지스틱 회귀 분석의 각 범주에 대한 은 선택된 참조 범주 ( )입니다.
귀하의 경우, 목표는 확률 예측 아니라 각 카테고리의 하나 접근 방식을 서로 다른 확률 추정치를 제공 할 수 있습니다 불구하고, 정당화된다. 확률을 추정하는 공식은 다음과 같습니다.
여기서 은 모든 범주입니다. 이 참조로 선택 되면 입니다. 따라서 이항 로지스틱의 경우 동일한 공식이 됩니다. 다항 로지스틱은 관련이없는 대안 의 독립성 (항상 현실적인 것은 아님)을 가정 하지만 일련의 이진 로지스틱 예측은 그렇지 않습니다.
별도의 주제는 가 이분법 인 경우 다항식과 이항 로지스틱 회귀의 기술적 차이점 입니다. 결과에 차이가 있습니까? 공변량이없는 경우 대부분 결과는 동일하지만 알고리즘과 출력 옵션에 차이가 있습니다. SPSS의 해당 문제에 대한 SPSS 도움말을 인용하겠습니다.
이항 로지스틱 회귀 모델은 로지스틱 회귀 프로 시저 또는 다항 로지스틱 회귀 프로 시저를 사용하여 적합 할 수 있습니다. 각 절차에는 다른 옵션을 사용할 수 없습니다. 중요한 이론적 구별은 로지스틱 회귀 분석 절차는 데이터 입력 방법 및 공변량 패턴의 수에 관계없이 개별 사례 수준에서 데이터를 사용하여 모든 예측, 잔차, 영향 통계 및 적합도 검정을 생성한다는 것입니다. 다항 로지스틱 회귀 분석 프로시 저는 내부적으로 사례를 집계하여 예측 변수에 대해 동일한 공변량 패턴으로 하위 집단을 형성하고 이러한 하위 집단을 기반으로 예측, 잔차 및 적합도 검정을 생성합니다.
로지스틱 회귀 는 다음과 같은 고유 한 기능을 제공합니다.
• 모델에 적합한 Hosmer-Lemeshow 테스트
• 단계별 분석
• 모델 매개 변수화를 정의하는 대비
• 분류를위한 대체 컷 포인트
• 분류 도표
• 한 세트의 케이스에 고정 된 케이스 세트에 장착 된 모델
• 예측, 잔차 및 영향 통계를 저장합니다
다항 로지스틱 회귀 분석은 다음과 같은 고유 한 기능을 제공합니다.
• 모델의 적합도에 대한 피어슨 및 편차 카이-제곱 검정
적합도 검정을위한 데이터 그룹화를위한 소집단 지정
• 소집단 별 카운트, 예측 카운트 및 잔차 목록
•과 분산에 대한 분산 추정치 보정
모수 추정치의 공분산 행렬
• 매개 변수의 선형 조합 테스트
• 중첩 모델의 명시 적 사양
• 차분 변수를 사용하여 1-1 개의 일치하는 조건부 로지스틱 회귀 모형 적합
제목 때문에 "다중 로지스틱 회귀의 장점"은 "다항식 회귀"를 의미한다고 가정합니다. 모델이 동시에 적합 할 때 장점이 있습니다. 이 특정 상황은 Agresti (Categorical Data Analysis, 2002) pg 273에 설명되어 있습니다. 요약하면 (Paramrasing Agresti) 관절 모델의 추정치가 계층화 된 모델과 다를 것으로 예상합니다. 별도의 로지스틱 모델은 더 큰 표준 오류를 갖는 경향이 있지만 가장 빈번한 결과 수준이 참조 수준으로 설정 될 때 그리 나쁘지는 않을 수 있습니다.