আদেশযুক্ত লজিস্টিক রিগ্রেশন নেতিবাচক সহগ


17

ধরুন আমরা পূরণবাচক প্রতিক্রিয়া আছে y:{Bad, Neutral, Good}{1,2,3} এবং ভেরিয়েবল একটি সেট X:=[x1,x2,x3] যে আমরা মনে করি ব্যাখ্যা করবে y । তারপরে আমরা y (প্রতিক্রিয়া) এর উপর X (ডিজাইন ম্যাট্রিক্স) এর একটি আদেশযুক্ত লজিস্টিক রিগ্রেশন করি ।y

আনুমানিক সহগ ধরুন x1 , কল এটা বিটা 1 , এ আদেশ লজিস্টিক রিগ্রেশন হয় - 0.5- 0.5 = 0.607 এর বিজোড় অনুপাত (OR) কীভাবে ব্যাখ্যা করব ?β^10.5e0.5=0.607

একটি 1 একক বাড়ানোর আমি বলতে "কি x1 , অন্যান্য বিষয় এক থাকিলে, নিরীক্ষক মধ্যে মতভেদ Good হয় 0.607 বার দেখে মধ্যে মতভেদ BadNeutral , এবং একই পরিবর্তনের জন্য x1 , নিরীক্ষক মধ্যে মতভেদ NeutralGood হয় খারাপ " 0.607পর্যবেক্ষণ Bad "?

আমি আমার পাঠ্যপুস্তক বা গুগলে নেতিবাচক সহগ ব্যাখ্যার কোনও উদাহরণ পাই না।


2
হ্যাঁ এটা ঠিক. আপনি ইতিবাচক সহগগুলি কীভাবে ব্যাখ্যা করেন এটি প্রায় সমান।
পিটার ফ্লুম - মনিকা পুনরায়

2
বিশেষ দ্রষ্টব্য: সাধারণত আমরা বলি "regress উপর এক্স ", প্রায় অন্য উপায়। yX
গুং - মনিকা পুনরায়

উত্তর:


25

আপনি সঠিক পথে রয়েছেন, তবে কী মডেলটি আসলে উপযুক্ত তা দেখতে আপনি যে সফ্টওয়্যারটি ব্যবহার করছেন তার ডকুমেন্টেশনটি সর্বদা একবার দেখুন। অর্ডারযুক্ত বিভাগ 1 , , , , কে এবং ভবিষ্যদ্বাণীকারী এক্স 1 , , এক্স জে , , এক্স পি সহ একটি শ্রেণীবদ্ধ নির্ভরশীল পরিবর্তনশীল সাথে একটি পরিস্থিতি অনুমান করুন ।Y1,,g,,kX1,,Xj,,Xp

"দ্য বন্যে", আপনি বিভিন্ন সূচিত প্যারামিটার অর্থ সহ তাত্ত্বিক আনুপাতিক-প্রতিকূল মডেল লেখার জন্য তিনটি সমতুল্য পছন্দগুলির মুখোমুখি হতে পারেন:

  1. logit(p(Yg))=lnp(Yg)p(Y>g)=β0g+β1X1++βpXp(g=1,,k1)
  2. logit(p(Yg))=lnp(Yg)p(Y>g)=β0g(β1X1++βpXp)(g=1,,k1)
  3. logit(p(Yg))=lnp(Yg)p(Y<g)=β0g+β1X1++βpXp(g=2,,k)

(মডেল 1 এবং 2 যে সীমাবদ্ধতা আছে পৃথক বাইনারি লজিস্টিক রিগ্রেশন, β সঙ্গে পরিবর্তিত হতে না , আর β 0 1 < ... < β 0 < ... < β 0 - 1 , মডেল 3 আছে β জে সম্পর্কে একই বিধিনিষেধের জন্য প্রয়োজন এবং এটির জন্য β 0 2 > > β 0 g > > β 0 কে )k1βjgβ01<<β0g<<β0k1βjβ02>>β0g>>β0k

  • মডেল 1, একটি ইতিবাচক ইন মানে যে predictor বৃদ্ধি এক্স একটি জন্য বর্ধিত মতভেদ সঙ্গে যুক্ত করা হয় নিম্ন বিভাগ ওয়াইβjXjY
  • মডেল 1 কিছুটা বিপরীত, সুতরাং 2 বা 3 মডেলটিকে সফ্টওয়্যারটিতে পছন্দসই বলে মনে হয়। এখানে, ধনাত্মক অর্থ হ'ল প্রেডিক্টর এক্স জে বৃদ্ধি ওয়াইয়ের উচ্চতর বিভাগের বর্ধিত প্রতিকূলতার সাথে জড়িত ।βjXjY
  • মডেল 1 এবং জন্য একই অনুমান 2 নেতৃত্ব কিন্তু তাদের অনুমান β বিপরীত লক্ষণ আছে।β0gβj
  • মডেল 2 এবং জন্য একই অনুমান 3 নেতৃত্ব কিন্তু তাদের অনুমান β 0 আছে বিপরীত লক্ষণ।βjβ0g

আপনার সফ্টওয়্যারটি 2 বা 3 মডেল ব্যবহার করেছে বলে ধরে নেওয়া, আপনি " 1 ইউনিট বৃদ্ধি , সেটারিস পারিবাস, ' ওয়াই = গুড ' বনাম পর্যবেক্ষণের পূর্বাভাসযুক্ত প্রতিক্রিয়াগুলির সাথে ' ওয়াই = নিরপেক্ষ বা খারাপ ' পরিবর্তনের একটি ফ্যাক্টর দ্বারা পর্যবেক্ষণের পূর্বাভাসের প্রতিক্রিয়াগুলি বলতে পারেন β 1 = 0.607 । ", এবং অনুরূপভাবে" একটি 1 একক বৃদ্ধির সঙ্গে এক্স 1 , paribus, ceteris পূর্বাভাস 'দেখে মধ্যে মতভেদ ওয়াই = ভাল বা নিরপেক্ষ ' 'দেখে বনাম ওয়াই = খারাপ একটি গুণক দ্বারা' পরিবর্তন βX1Y=GoodY=Neutral OR Badeβ^1=0.607X1Y=Good OR NeutralY=Bad। "নোট করুন যেঅনুগতঅভিজ্ঞতা ক্ষেত্রে, আমাদের কেবলমাত্র ভবিষ্যদ্বাণীমূলক প্রতিক্রিয়া রয়েছে, আসলটি নয়।eβ^1=0.607

মডেল 1 এর জন্য বিভাগ সহ কয়েকটি অতিরিক্ত চিত্র রয়েছে । প্রথমত, আনুপাতিক প্রতিকূলতার সাথে ক্রমযুক্ত লগিটগুলির জন্য একটি রৈখিক মডেলের ধারণা। দ্বিতীয়ত, সবচেয়ে বিভাগ এ পালনের উহ্য সম্ভাব্যতা । সম্ভাব্যতা একই আকারের সাথে লজিস্টিক ফাংশন অনুসরণ করে। k=4genter image description here

বিভাগের সম্ভাব্যতাগুলির জন্য, চিত্রিত মডেলটি নিম্নলিখিত ক্রমযুক্ত ক্রিয়াকে বোঝায়: enter image description here

PS আমার জানা মতে, মডেল 2 এসপিএসএস এর পাশাপাশি আর ফাংশনগুলিতে MASS::polr()এবং ব্যবহৃত হয় ordinal::clm()। মডেল 3 আর ফাংশনে ব্যবহৃত হয় rms::lrm()এবং VGAM::vglm()। দুর্ভাগ্যক্রমে, আমি এসএএস এবং স্টাটা সম্পর্কে জানি না।


Yglm(..., family=binomial)

আপনার কাছে কি এমন একটি রেফারেন্স রয়েছে যা আপনার 3 বিকল্পের তালিকায় স্পেসিফিকেশন # 2 প্রকাশের উপায়ের সাথে সম্পর্কিত?

1
@ হারোকিট্টি এটি অ্যাগ্র্রেটির "অর্ডিনাল শ্রেণিবদ্ধ ডেটা বিশ্লেষণ", বিভাগ 3.2.2, পি 49, সমীকরণ 3.8 সংক্ষেপে বর্ণনা করা হয়েছে । বিকল্প হিসাবে Agresti এর "শ্রেণিবদ্ধ ডেটা বিশ্লেষণ", বিভাগ 9.4, p323, সমীকরণ 9.12।
কারাকাল

হাই, আপনাকে বিরক্ত করে দুঃখিত, আপনার কি তৃতীয়টির জন্য একটি রেফারেন্স আছে? অ্যাগ্রেস্তি সে সম্পর্কে কথা বলে মনে হচ্ছে না।

2
logit(Y>g)logit(Yg)
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.