Modelos de regressão logística para Multinomial e ordinais Variáveis ​​

Multinomial Regressão Logística

O modelo de regressão multinomial (aka politómica) logística é uma simples extensão do modelo de regressão logística binomial. Eles são utilizados quando a variável dependente tem mais de duas categorias nominais (não ordenadas).

manequim codificação das variáveis ​​independentes é bastante comum. Em regressão logística multinomial a variável dependente é manequim codificado em múltiplas variáveis ​​1/0. Há uma variável para todas as categorias, exceto um, por isso, se há categorias M, haverá M-1 variáveis ​​dummy. Todos, mas uma categoria tem sua própria variável dummy. Dummy de cada categoria tem um valor de 1 para a sua categoria e um 0 para todos os outros. Uma categoria, a categoria de referência, não precisa de seu próprio variável dummy, como é identificado exclusivamente por todas as outras variáveis ​​sendo 0.

A regressão logística mulitnomial então estima um modelo de regressão logística binária em separado para cada um dos essas variáveis ​​dummy. O resultado é M-1 modelos de regressão logística binária. Cada uma delas conta o efeito dos preditores da probabilidade de sucesso na categoria que, em comparação com a categoria de referência. Cada modelo tem suas próprias interceptar e regressão coeficientes - os preditores pode afetar cada categoria diferente

Por que não basta executar uma série de modelos de regressão binários.? Você poderia, e as pessoas costumavam, antes modelos de regressão multinomial foram amplamente disponível no software. Você provavelmente irá obter resultados semelhantes. Mas executá-los juntos significa que eles são estimadas simultaneamente, o que significa que as estimativas dos parâmetros são mais eficientes - há menos de erro inexplicável global

Ordinal regressão logística:. O Odds Modelo proporcional

Quando a resposta Categorias são ordenados, você pode executar um modelo de regressão multinomial. A desvantagem é que você está jogando fora informações sobre a ordenação. Um modelo de regressão logística ordinal preserva essa informação, mas é um pouco mais envolvido.

No proporcionais Odds Modelo, o evento que está sendo modelado é não ter um resultado em uma única categoria, como é feito no binário e multinomial modelos. Em vez disso, o evento que está sendo modelado é ter um resultado em uma categoria específica ou qualquer categoria anterior

Por exemplo, para uma variável de resposta encomendado com três categorias, os eventos possíveis são definidos como:.

* estar no grupo 1
* estar no grupo 2 ou 1
* estar no grupo 3, 2 ou 1.

No modelo de odds proporcional, cada resultado tem a sua própria interceptação, mas o mesmo coeficientes de regressão. Isto significa:

1. as chances globais de qualquer evento pode ser diferente, mas

2. o efeito dos preditores sobre a probabilidade de um evento que ocorra em cada categoria subsequente é o mesmo para todas as categorias. Este é um pressuposto do modelo que você precisa verificar. É frequentemente violados.

O modelo é escrito um pouco diferente em SPSS do que o habitual, com um sinal de subtração entre a intercepção e todos os coeficientes de regressão. Esta é uma convenção para assegurar que os coeficientes positivos, os aumentos nos valores de x levar a um aumento da probabilidade nas categorias de resposta mais elevada de numeração par. No SAS, o sinal é uma vantagem, por isso aumentos nos valores de previsão levar a um aumento da probabilidade nas categorias de resposta mais baixo-numerados. Certifique-se de entender como o modelo é configurado em seu pacote estatístico antes de interpretação de resultados Restaurant  .;