উত্তর:
হ্যা, তুমি পারো.
মডেলটি হ'ল
যখন ননজারো হয় তখন এর এক্স = - \ বিটা_1 / (2 \ বিটা_2) এ বিশ্বব্যাপী চূড়ান্ত থাকে ।
লজিস্টিক রিগ্রেশন এই হিসাবে অনুমান করে । কারণ এটি সর্বাধিক সম্ভাবনা অনুমান (এবং প্যারামিটারগুলির ফাংশনের এমএল অনুমানগুলি অনুমানের একই ফাংশন) আমরা চূড়ান্ত অবস্থানটির এ অনুমান করতে পারি ।
এই অনুমানের জন্য একটি আত্মবিশ্বাসের ব্যবধানটি আগ্রহী হবে। ডেটাসেট যে বৃহৎ যথেষ্ট asymptotic সর্বাধিক সম্ভাবনা তত্ত্ব প্রয়োগ করতে হয়, আমরা এই বিরতি এর এন্ড পয়েন্ট জানতে পারেন পুনরায় প্রকাশ আকারে
এবং লগ সম্ভাবনা খুব বেশি হ্রাস পাওয়ার আগে কতটা বৈচিত্রময় হতে পারে তা সন্ধান করা। "অত্যধিক" হ'ল, অসম্পূর্ণভাবে, এক ডিগ্রি স্বাধীনতার সাথে চি-স্কোয়ার বিতরণের এক-অর্ধেক কোয়ান্টাইল।
এই পদ্ধতির শিখরের উভয় পক্ষের কঞ্জের সীমা সরবরাহ করা ভালভাবে কাজ করবে এবং সেই শিখরটি বর্ণন করতে মানগুলির মধ্যে এবং টির যথেষ্ট সংখ্যক প্রতিক্রিয়া রয়েছে । অন্যথায়, শিখরটির অবস্থানটি অত্যন্ত অনিশ্চিত হবে এবং অ্যাসিম্পোটিক অনুমানগুলি অবিশ্বাস্য হতে পারে।
R
এটি বহন করার কোডটি নীচে রয়েছে। আত্মবিশ্বাসের অন্তরগুলির কাভারেজটি কাঙ্ক্ষিত কাভারেজের কাছাকাছি কিনা তা যাচাই করতে এটি সিমুলেশন ব্যবহার করা যেতে পারে। সত্য শিখরটি কীভাবে এবং হিস্টোগ্রামের নীচের সারিটি পর্যালোচনা করে দেখুন - কীভাবে বেশিরভাগ নীচের আত্মবিশ্বাস সীমাটি সত্য মানের থেকে কম এবং বেশিরভাগ উপরের আত্মবিশ্বাস সীমাটি সত্য মানের থেকে বেশি, আমরা আশা করব। এই উদাহরণে লক্ষ্যযুক্ত কভারেজটি ছিল এবং আসল কভারেজ ( লজিস্টিক রিগ্রেশন একত্রিত হয়নি এমন টির মধ্যে চারটি ছাড় ) ছিল , ইঙ্গিত করে যে পদ্ধতিটি ভালভাবে কাজ করছে (উপকরণের ধরণের জন্য সিমুলেটেড) এখানে).
n <- 50 # Number of observations in each trial
beta <- c(-1,2,2) # Coefficients
x <- seq(from=-3, to=3, length.out=n)
y0 <- cbind(rep(1,length(x)), x, x^2) %*% beta
# Conduct a simulation.
set.seed(17)
sim <- replicate(500, peak(x, rbinom(length(x), 1, logistic(y0)), alpha=0.05))
# Post-process the results to check the actual coverage.
tp <- -beta[2] / (2 * beta[3])
covers <- sim["lcl",] <= tp & tp <= sim["ucl",]
mean(covers, na.rm=TRUE) # Should be close to 1 - 2*alpha
# Plot the distributions of the results.
par(mfrow=c(2,2))
plot(x, logistic(y0), type="l", lwd=2, col="#4040d0", main="Simulated Data",ylim=c(0,1))
points(x, rbinom(length(x), 1, logistic(y0)), pch=19)
hist(sim["peak.x",], main="Estimates"); abline(v=tp, col="Red")
hist(sim["lcl",], main="Lower Confidence Limits"); abline(v=tp, col="Red")
hist(sim["ucl",], main="Upper Confidence Limits"); abline(v=tp, col="Red")
logistic <- function(x) 1 / (1 + exp(-x))
peak <- function(x, y, alpha=0.05) {
#
# Estimate the peak of a quadratic logistic fit of y to x
# and a 1-alpha confidence interval for that peak.
#
logL <- function(b) {
# Log likelihood.
p <- sapply(cbind(rep(1, length(x)), x, x*x) %*% b, logistic)
sum(log(p[y==1])) + sum(log(1-p[y==0]))
}
f <- function(gamma) {
# Deviance as a function of offset from the peak.
b0 <- c(b[1] - b[2]^2/(4*b[3]) + b[3]*gamma^2, -2*b[3]*gamma, b[3])
-2.0 * logL(b0)
}
# Estimation.
fit <- glm(y ~ x + I(x*x), family=binomial(link = "logit"))
if (!fit$converged) return(rep(NA,3))
b <- coef(fit)
tp <- -b[2] / (2 * b[3])
# Two-sided confidence interval:
# Search for where the deviance is at a threshold determined by alpha.
delta <- qchisq(1-alpha, df=1)
u <- sd(x)
while(fit$deviance - f(tp+u) + delta > 0) u <- 2*u # Find an upper bound
l <- sd(x)
while(fit$deviance - f(tp-l) + delta > 0) l <- 2*l # Find a lower bound
upper <- uniroot(function(gamma) fit$deviance - f(gamma) + delta,
interval=c(tp, tp+u))
lower <- uniroot(function(gamma) fit$deviance - f(gamma) + delta,
interval=c(tp-l, tp))
# Return a vector of the estimate, lower limit, and upper limit.
c(peak=tp, lcl=lower$root, ucl=upper$root)
}