সৌভাগ্যক্রমে আপনার জন্য, আপনার কাছে কেবল একটি ক্রমাগত কোভেরিয়াট রয়েছে। সুতরাং, আপনি কেবল বিআইডি এবং এর সম্পর্কের সাথে চারটি (অর্থাত্ 2 SEX x 2 AGE) প্লট তৈরি করতে পারেন । বিকল্পভাবে, আপনি এটিতে চারটি ভিন্ন লাইন দিয়ে একটি প্লট তৈরি করতে পারেন (আপনি আলাদা করার জন্য বিভিন্ন লাইনের শৈলী, ওজন বা রঙ ব্যবহার করতে পারেন)। বিআইডি মানগুলির একটি ব্যাপ্তির জন্য চারটি সংমিশ্রণের প্রতিটিটিতে রিগ্রেশন সমীকরণ সমাধান করে আপনি এই পূর্বাভাসিত রেখাগুলি পেতে পারেন। p ( Y)= 1 )
আরও জটিল পরিস্থিতি হ'ল যেখানে আপনার একাধিক অবিচ্ছিন্ন কোভেরিয়াট থাকে। এর মতো ক্ষেত্রে প্রায়শই একটি নির্দিষ্ট কোভেরিয়েট থাকে যা কিছু অর্থে 'প্রাথমিক' হয়। এই covariate এক্স অক্ষ জন্য ব্যবহার করা যেতে পারে। তারপরে আপনি অন্যান্য কোভেরিয়েটগুলির বেশ কয়েকটি প্রাক-নির্দিষ্ট মানগুলির সমাধান করেন, সাধারণত গড় এবং +/- 1 এসডি। অন্যান্য বিকল্পের মধ্যে বিভিন্ন ধরণের 3 ডি প্লট, কোপলটস বা ইন্টারেক্টিভ প্লট অন্তর্ভুক্ত রয়েছে।
আমার এখানে অন্য একটি প্রশ্নের উত্তরে ২ টিরও বেশি মাত্রায় ডেটা অন্বেষণের জন্য বিভিন্ন প্লট সম্পর্কিত তথ্য রয়েছে। আপনার ক্ষেত্রে কাঁচা মূল্যবোধের পরিবর্তে মডেলের পূর্বাভাসিত মানগুলি উপস্থাপনে আগ্রহী ব্যতীত আপনার মামলাটি মূলত সাদৃশ্যপূর্ণ।
হালনাগাদ:
এই প্লটগুলি তৈরি করতে আমি কিছু সহজ উদাহরণ কোড লিখেছি। আমাকে কয়েকটি জিনিস খেয়াল করা যাক: 'ক্রিয়া' তাড়াতাড়ি সংঘটিত হওয়ার কারণে, আমি কেবল বিআইডি চালিয়েছি 700 (তবে এটি 2000 এ প্রসারিত করতে নির্দ্বিধায়)। এই উদাহরণস্বরূপ, আমি আপনার নির্দিষ্ট করা ফাংশনটি ব্যবহার করছি এবং প্রথম বিভাগ (অর্থাত্ মহিলা এবং যুবক) রেফারেন্স বিভাগ হিসাবে (যা আরে ডিফল্ট) হিসাবে গ্রহণ করছি। যেমন @ শুভর মন্তব্যটিতে মন্তব্য করেছেন, এলআর মডেলগুলি লগ প্রতিক্রিয়ায় লিনিয়ার, সুতরাং আপনি যদি পছন্দ করেন তবে ওএলএস প্রতিরোধের সাথে আপনি যেমন পূর্বাভাসিত মান এবং প্লট ব্যবহার করতে পারেন। লজিট হ'ল লিঙ্ক ফাংশন, যা আপনাকে মডেলটিকে সম্ভাবনার সাথে সংযুক্ত করতে দেয়; দ্বিতীয় ব্লকটি লগিট কার্যকে বিপর্যয়ের মাধ্যমে লগের প্রতিকূলতাকে সম্ভাব্যতায় রূপান্তরিত করে, অর্থাৎ ক্ষতিকারক (প্রতিকূলতায় রূপান্তরিত) এবং তারপরে বৈকল্পিকতাগুলিকে 1 + বিজোড় দ্বারা ভাগ করে। ( আপনি আরও তথ্য চাইলে আমি এখানে লিঙ্ক ফাংশনগুলির প্রকৃতি এবং এই ধরণের মডেলটি নিয়ে আলোচনা করি ))
BID = seq(from=0, to=700, by=10)
logOdds.F.young = -3.92 + .014*BID
logOdds.M.young = -3.92 + .014*BID + .25*1
logOdds.F.old = -3.92 + .014*BID + .15*1
logOdds.M.old = -3.92 + .014*BID + .25*1 + .15*1
pY.F.young = exp(logOdds.F.young)/(1+ exp(logOdds.F.young))
pY.M.young = exp(logOdds.M.young)/(1+ exp(logOdds.M.young))
pY.F.old = exp(logOdds.F.old) /(1+ exp(logOdds.F.old))
pY.M.old = exp(logOdds.M.old) /(1+ exp(logOdds.M.old))
windows()
par(mfrow=c(2,2))
plot(x=BID, y=pY.F.young, type="l", col="blue", lwd=2,
ylab="Pr(Y=1)", main="predicted probabilities for young women")
plot(x=BID, y=pY.M.young, type="l", col="blue", lwd=2,
ylab="Pr(Y=1)", main="predicted probabilities for young men")
plot(x=BID, y=pY.F.old, type="l", col="blue", lwd=2,
ylab="Pr(Y=1)", main="predicted probabilities for old women")
plot(x=BID, y=pY.M.old, type="l", col="blue", lwd=2,
ylab="Pr(Y=1)", main="predicted probabilities for old men")
যা নিম্নলিখিত প্লট উত্পাদন করে:
এই ফাংশনগুলি পর্যাপ্তরূপে অনুরূপ যে আমি চারদিকে সমান্তরাল প্লট পদ্ধতির প্রাথমিকভাবে উল্লেখ করেছি যে খুব স্বতন্ত্র নয়। নিম্নলিখিত কোডটি আমার 'বিকল্প' পদ্ধতির প্রয়োগ করে:
windows()
plot(x=BID, y=pY.F.young, type="l", col="red", lwd=1,
ylab="Pr(Y=1)", main="predicted probabilities")
lines(x=BID, y=pY.M.young, col="blue", lwd=1)
lines(x=BID, y=pY.F.old, col="red", lwd=2, lty="dotted")
lines(x=BID, y=pY.M.old, col="blue", lwd=2, lty="dotted")
legend("bottomright", legend=c("young women", "young men",
"old women", "old men"), lty=c("solid", "solid", "dotted",
"dotted"), lwd=c(1,1,2,2), col=c("red", "blue", "red", "blue"))
পরিবর্তে উত্পাদন, এই চক্রান্ত: