Phân tích hệ số hồi quy logistic

Dưới đây là danh sách các hệ số hồi quy logistic (đầu tiên là đánh chặn)

-1059.61966694592
-1.23890500515482
-8.57185269220438
-7.50413155570413
 0
 1.03152408392552
 1.19874787949191
-4.88083274930613
-5.77172565873336
-1.00610998453393

Tôi thấy thật kỳ lạ khi mức độ chặn quá thấp và tôi có một hệ số thực sự bằng 0. Tôi không hoàn toàn chắc chắn làm thế nào tôi sẽ diễn giải điều này. Có phải 0 chỉ ra rằng biến cụ thể không ảnh hưởng gì đến mô hình không? Nhưng việc đánh chặn được thực hiện bằng cách nhập một cột của ai đó có thực sự quan trọng? Hoặc là dữ liệu của tôi chỉ là tào lao và mô hình không thể phù hợp với nó.

$9.8\times 10^{-305}$$0/(1+0)$), cho chúng tôi 0 lần nữa. Do đó, điều mà đầu ra của bạn nói với bạn là sự kiện của bạn (dù đó là gì) đơn giản không xảy ra khi tất cả các biến của bạn bằng 0. Tất nhiên, nó phụ thuộc vào những gì chúng ta đang nói, nhưng tôi thấy không có gì quá đáng chú ý về điều này. Một phương trình hồi quy logistic tiêu chuẩn (ví dụ, không có thuật ngữ bình phương) nhất thiết phải thừa nhận rằng mối quan hệ giữa hiệp phương sai và xác suất thành công là tăng đơn điệu hoặc giảm đơn điệu. Điều đó có nghĩa là nó luôn lớn hơn và lớn hơn (hoặc nhỏ hơn và nhỏ hơn), và vì vậy, nếu bạn đi đủ xa theo một hướng, bạn sẽ nhận được các số nhỏ đến mức máy tính của tôi không thể phân biệt được chúng từ 0. Đó chỉ là bản chất của con thú. Khi điều đó xảy ra, đối với mô hình của bạn, việc thực sự đi xa sẽ đến nơi các giá trị đồng biến của bạn bằng 0.

Đối với hệ số 0, điều đó có nghĩa là biến đó không có tác dụng, như bạn đề xuất. Bây giờ, khá hợp lý khi một biến sẽ không có hiệu lực, tuy nhiên, về cơ bản, bạn sẽ không bao giờ có được hệ số chính xác bằng 0. Tôi không biết tại sao nó lại xảy ra trong trường hợp này; các ý kiến ​​cung cấp một số gợi ý có thể. Tôi có thể cung cấp một cái khác, đó là có thể không có biến thể trong biến đó. Ví dụ: nếu bạn có một biến được mã hóa cho giới tính, nhưng chỉ có phụ nữ trong mẫu của bạn. Tôi không biết đó có phải là câu trả lời thực sự hay không (ví dụ R, trả về NAtrong trường hợp đó, nhưng phần mềm thì khác) - đó chỉ là một gợi ý khác.

Phiên dịch đánh chặn

Bạn có thể nghĩ về hồi quy logistic là cho bạn xác suất sau là "1". Chặn thể hiện sự ưu tiên trước các danh mục xuất phát từ tập dữ liệu: cụ thể, đó là ước tính thực nghiệm của log (p (Y = 1) / p (Y = 0), khi mô hình chỉ có một phần chặn, đối với các trường hợp trong các lớp 'tham chiếu' khi có các đồng biến phân loại và đối với các trường hợp khi các hiệp phương sai ở mức 0 nói chung (nhưng ít diễn giải hơn). Vì vậy, số âm mạnh mẽ của bạn có thể cho bạn biết rằng '1' rất hiếm trong số các trường hợp trong mẫu của bạn được đặc trưng bởi có tất cả các đồng biến ở mức 0. Một lần nữa, có thể không có quan sát nào ở đó, vì vậy không đáng lo ngại về giá trị chặn. Cuộc thảo luận này khá rõ ràng.

Do sự phân tách mối quan tâm tiện dụng này giữa các tham số, bạn có thể sửa lỗi cho sự mất cân bằng danh mục bằng cách huấn luyện trên một mẫu cân bằng tốt hơn và chỉ điều chỉnh đánh chặn . Xem King và Zeng để thảo luận kỹ lưỡng.