Если имеет более двух категорий, ваш вопрос о «преимуществе» одной регрессии над другой, вероятно, не имеет смысла, если вы хотите сравнить параметры моделей , потому что модели будут принципиально другими:Y
для каждогоябинарной логистическойрегрессии, иlogP(i)P(not i)=logiti=linear combinationi
для каждойкатегорииiвмножественной логистическойрегрессии,rявляется выбранной эталонной категорией (i≠r).logP(i)P(r)=logiti=linear combinationiri≠r
Однако, если ваша цель состоит в том только , чтобы предсказать вероятность каждой категории либо подход оправдан, хотя они могут давать разные оценки вероятности. Формула для оценки вероятности является общей:i
, гдеi,j,…,r- все категории и еслиrбыл выбран в качестве эталонного, егоexp(logP′(i)=exp(logiti)exp(logiti)+exp(logitj)+⋯+exp(logitr)i,j,…,rr . Таким образом, для бинарной логистики эта же формула становится P ′ ( i ) = e x p ( l o g i t i )exp(logit)=1 . Многочленная логистика опирается на (не всегда реалистичное) предположение онезависимости нерелевантных альтернатив, вто время как ряд бинарных логистических предсказаний этого не делает.P′(i)=exp(logiti)exp(logiti)+1
Отдельная тема является то , что технические различия между мультиномиальной и бинарной логистической регрессией в случае , когда является дихотомическим . Будет ли разница в результатах? В большинстве случаев при отсутствии ковариат результаты будут одинаковыми, но все же существуют различия в алгоритмах и параметрах вывода. Позвольте мне процитировать справку SPSS об этой проблеме в SPSS:Y
Модели бинарной логистической регрессии могут быть адаптированы с использованием процедуры логистической регрессии или процедуры многочленной логистической регрессии. У каждой процедуры есть параметры, недоступные в другой. Важным теоретическим отличием является то, что процедура логистической регрессии производит все прогнозы, остатки, статистику влияния и тесты соответствия, используя данные на уровне отдельных случаев, независимо от того, как вводятся данные, и от того, является ли количество ковариатных шаблонов или нет. меньше, чем общее число случаев, в то время как процедура многочленной логистической регрессии внутренне объединяет случаи, чтобы сформировать подгруппы с идентичными ковариатными шаблонами для предикторов, создавая прогнозы, остатки и тесты на соответствие на основе этих подгрупп.
Логистическая регрессия предоставляет следующие уникальные функции:
• Хосмер-Лемешоу тест на пригодность модели
• пошаговый анализ
• Контрасты для определения параметризации модели
• Альтернативные точки разреза для классификации
• классификационные участки
• Модель, установленная на один набор корпусов, на протяженный набор корпусов.
• Сохраняет прогнозы, остатки и статистику влияния
Многочленная логистическая регрессия предоставляет следующие уникальные функции:
• Пирсона и девиантного критерия хи-квадрат на предмет подгонки модели
• Спецификация подгрупп населения для группировки данных для тестов на соответствие
• Перечень подсчетов, прогнозируемых подсчетов и остатков по группам населения
• Исправление дисперсионных оценок для чрезмерной дисперсии
• Ковариационная матрица оценок параметров
• Тесты линейных комбинаций параметров
• Явная спецификация вложенных моделей
• Подходят 1-1 подходящие модели условной логистической регрессии с использованием разностных переменных