Biến phụ thuộc

Tôi có một giá trị phụ thuộc trong phạm vi [0,1]. Có nghĩa là 0 và 1, và tất cả các giá trị ở giữa được bao gồm. Do đó, đây là một giá trị tỷ lệ, chẳng hạn như tỷ lệ phần trăm đất mà nông dân thụ tinh.

Mô hình

Mô hình tôi hiện đang tập trung vào là một mô hình logistic.

• Tuy nhiên, là một đầu ra, tôi muốn xem mô hình biến phụ thuộc của tôi được dự đoán như thế nào (để so sánh các giá trị thực với các giá trị ước tính).

Tuy nhiên, hồi quy logistic thường đưa ra như một "xác suất" đầu ra. Kết quả là bây giờ tôi hơi bối rối.

Mô hình của tôi =

out <- glm(cbind(fertilized, total_land-fertilized) ~ X-variables,
       family=binomial(cloglog), data=Alldata)

Để dự đoán tỷ lệ đất được ước tính tôi sử dụng

Alldata$estimated_fertilized<-predict(out,data=newdata,type="response"))

Điều này có đúng không? Hay dòng này cho tôi xác suất thay vì tỷ lệ phần trăm dự đoán? Nếu không đúng, tôi nên làm gì để có được thứ mình muốn?

CẬP NHẬT

Với thực tế là có những câu hỏi về tính chính xác của mô hình đã chọn, tôi cung cấp một số thông tin bổ sung:

Phân phối các biến phụ thuộc (tỷ lệ 0-1, 0 và 1).

Trên thực tế, việc sử dụng hồi quy logistic để tóm tắt các tỷ lệ quan sát nằm trong phạm vi bao gồm [0-1] là điều tốt.

Trước đây, các cách tiếp cận như vậy đã bị mất uy tín khi dữ liệu trên thực tế được phân cấp và mục tiêu của phân tích là tóm tắt các mức phơi nhiễm ở cấp độ cá nhân được tổng hợp lên đến cấp độ cụm. Trong trường hợp cụ thể này, không đúng khi áp dụng hồi quy logistic vì sai lầm sinh thái và không sụp đổ của tỷ lệ chênh lệch như một thước đo liên kết.

Phương trình ước lượng hồi quy logistic thích hợp để áp dụng cho bất kỳ phân tích nào trong đó mô hình tuyến tính cho log của giá trị trung bình trừ log của một trừ đi giá trị trung bình là phù hợp (liên kết logit) và khi phương sai của tỷ lệ bằng với tỷ lệ lần trừ đi tỷ lệ (giả định phương sai nhị thức). Hóa ra cái sau là một yêu cầu khá nghiêm ngặt, vì vậy, các nhà phân tích thường sử dụng công cụ ước lượng phương sai linh hoạt hơn như phương trình khả năng chuẩn tinh hoặc phương trình ước lượng tổng quát.

Một vấn đề với hồi quy logistic (và các biến thể của nó) là không rõ bạn sẽ xác nhận mô hình như thế nào. Nếu bạn tóm tắt độ chính xác dự đoán với lỗi bình phương trung bình - một cách tiếp cận hợp lệ vì nhiều lý do - nên sử dụng công cụ ước tính bình phương tối thiểu phi tuyến tính (NLS) cho đường cong logit. NLS sẽ tìm thấy (các) đường cong hình chữ S tối ưu tóm tắt (các) liên kết với các yếu tố dự đoán mô hình bằng cách giảm thiểu tổng các khác biệt bình phương từ bề mặt phản ứng dự đoán. Cách khác, nếu mong muốn là áp dụng một số ngưỡng dựa trên sự kết hợp tuyến tính của các hiệp phương sai để phân loại các tập hợp con của các trường đã vượt quá hoặc được thụ tinh, phân tích phân biệt tuyến tính sẽ cung cấp các phân loại vượt trội. Một mô hình logistic có thể là tối ưu theo một số lượng lớn các số liệu dự đoán.

Vì vậy, cuối cùng, nó không phải là cấu trúc của dữ liệu nên xác định phân tích, mà là câu hỏi mà nhà phân tích đang cố gắng đánh giá.