WikiDer > Заказал логит

Часть серии по
Регрессивный анализ
Модели
Линейная регрессия Простая регрессия Полиномиальная регрессия Общая линейная модель
Обобщенная линейная модель Дискретный выбор Биномиальная регрессия Бинарная регрессия Логистическая регрессия Полиномиальный логит Смешанный логит Пробит Полиномиальный пробит Заказал логит Заказал пробит Пуассон
Многоуровневая модель Фиксированные эффекты Случайные эффекты Линейная модель смешанных эффектов Нелинейная модель смешанных эффектов
Нелинейная регрессия Непараметрический Полупараметрический Крепкий Квантиль Изотонический Основные компоненты Наименьший угол Местный Сегментированный
Ошибки в переменных
Оценка
Наименьших квадратов Линейный Нелинейный
Обычный Взвешенный Обобщенный
Частичное Общий Неотрицательный Регрессия хребта Регулярный
Наименьшие абсолютные отклонения Итеративно переназначенный Байесовский Байесовский многомерный
Фон
Проверка регрессии Средний и прогнозируемый ответ Ошибки и остатки Доброту соответствия Студентизованный остаток Теорема Гаусса – Маркова
Математический портал
v т е

В статистика, то заказанная модель logit (также упорядоченная логистическая регрессия или же модель пропорциональных шансов) является порядковая регрессия модель, то есть регресс модель для порядковый зависимые переменные- впервые рассмотрено Питер МакКаллах.^[1] Например, если на один вопрос в опросе должен ответить выбор между «плохо», «удовлетворительно», «хорошо» и «отлично», а цель анализа - увидеть, насколько хорошо этот ответ можно предсказать по ответам на другие вопросы, некоторые из которых могут быть количественными, после чего можно использовать упорядоченную логистическую регрессию. Его можно рассматривать как расширение логистическая регрессия модель, которая применяется к дихотомический зависимые переменные, допускающие более двух (упорядоченных) категорий ответов.

Модель и предположение о пропорциональных шансах

Модель применяется только к данным, которые соответствуют предположение о пропорциональных шансах, смысл которых можно пояснить следующим образом. Предположим, что пропорции членов статистической совокупности, которые ответили бы «плохо», «удовлетворительно», «хорошо», «очень хорошо» и «отлично», составляют соответственно п₁, п₂, п₃, п₄, п₅. Тогда логарифмы шансы (не логарифмы вероятностей) ответов определенными способами:

${displaystyle {egin {array} {rll} {ext {bad}}, & log {frac {p_ {1}} {p_ {2} + p_ {3} + p_ {4} + p_ {5}}}, & 0 [8pt] {ext {плохо или удовлетворительно}}, & log {frac {p_ {1} + p_ {2}} {p_ {3} + p_ {4} + p_ {5}}}, & 1 [8pt] {ext {bad, fair or good}}, & log {frac {p_ {1} + p_ {2} + p_ {3}} {p_ {4} + p_ {5}}}, & 2 [8pt] { ext {плохо, хорошо, хорошо или очень хорошо}}, & log {frac {p_ {1} + p_ {2} + p_ {3} + p_ {4}} {p_ {5}}}, & 3end {array} }}$

В предположение о пропорциональных шансах состоит в том, что число, добавленное к каждому из этих логарифмов, чтобы получить следующий, во всех случаях одинаково. Другими словами, эти логарифмы образуют арифметическую последовательность.^[2] Модель утверждает, что число в последнем столбце таблицы - количество раз, которое должен быть добавлен этот логарифм - является некоторым линейная комбинация других наблюдаемых переменных.

Коэффициенты линейной комбинации не могут быть последовательно оценивается с использованием обыкновенный метод наименьших квадратов. Обычно они оцениваются с использованием максимальная вероятность. Оценки максимального правдоподобия вычисляются с использованием методом наименьших квадратов с повторным взвешиванием.

Примеры категорий множественного упорядоченного ответа включают рейтинги облигаций, опросы общественного мнения с вариантами ответов от «полностью согласен» до «категорически не согласен», уровни государственных расходов на государственные программы (высокие, средние или низкие), выбранный уровень страхового покрытия (нет , частичная или полная) и статус занятости (не работает, работает неполный рабочий день или полностью занят).^[3]

Предположим, что базовый процесс, который необходимо охарактеризовать,

${displaystyle y ^ {*} = mathbf {x} ^ {mathsf {T}} eta + varepsilon ,,}$

куда ${displaystyle y ^ {*}}$ является точной, но ненаблюдаемой зависимой переменной (возможно, точный уровень согласия с утверждением, предложенным исследователем); ${displaystyle mathbf {x}}$ - вектор независимых переменных, ${displaystyle varepsilon}$ это срок ошибки, и ${displaystyle eta}$ - вектор коэффициентов регрессии, которые мы хотим оценить. Далее предположим, что пока мы не можем наблюдать ${displaystyle y ^ {*}}$, вместо этого мы можем наблюдать только категории ответа

${displaystyle y = {egin {case} 0 & {ext {if}} y ^ {*} leq mu _ {1}, 1 & {ext {if}} mu _ {1}$

где параметры ${displaystyle mu _ {i}}$ являются навязанными извне конечными точками наблюдаемых категорий. Тогда метод упорядоченного логита будет использовать наблюдения у, которые являются формой цензурированные данные на у *, чтобы соответствовать вектору параметров ${displaystyle eta}$.

Оценка

Эта секция нуждается в расширении. Вы можете помочь добавляя к этому. (Февраль 2017 г.)

Подробнее о том, как рассчитывается уравнение, см. В статье Порядковая регрессия.

Смотрите также

• Полиномиальный логит
• Полиномиальный пробит
• Заказал пробит

Рекомендации

дальнейшее чтение

• Гельман, Андрей; Хилл, Дженнифер (2007). Анализ данных с использованием регрессии и многоуровневых / иерархических моделей. Нью-Йорк: Издательство Кембриджского университета. С. 119–124. ISBN 978-0-521-68689-1.
• Хардин, Джеймс; Хильбе, Джозеф (2007). Обобщенные линейные модели и расширения (2-е изд.). Колледж-Стейшн: Stata Press. ISBN 978-1-59718-014-6.
• Вудворд, Марк (2005). Эпидемиология: дизайн исследования и анализ данных (2-е изд.). Чепмен и Холл / CRC. ISBN 978-1-58488-415-6.
• Вулдридж, Джеффри (2010). Эконометрический анализ поперечных и панельных данных (Второе изд.). Кембридж: MIT Press. С. 643–666. ISBN 978-0-262-23258-6.

внешняя ссылка

• Саймон, Стив (2004-09-22). «Размер выборки для порядкового результата». СТАТИСТИКА - Попытка Стива научить статистике. Получено 2014-08-22.
• Родригес, Херман. «Заказанные модели Logit». Университет Принстона.