Полиномиальные предположения логистической регрессии

10

Каковы правильные предположения о полиномиальной логистической регрессии? И какие тесты лучше всего подходят для этих предположений с использованием SPSS 18?

отметка
источник

Ответы:

6

Ключевое предположение в MNL состоит в том, что ошибки независимо и одинаково распределяются с помощью распределения экстремальных значений Гумбеля. Проблема с проверкой этого предположения состоит в том, что оно сделано априори . В стандартной регрессии вы подходите к кривой наименьших квадратов и измеряете остаточную ошибку. В логит-модели вы предполагаете, что ошибка уже есть в измерении точки, и вычисляете функцию вероятности из этого предположения.

Важным предположением является то, что образец должен быть экзогенным. Если это основано на выборе, есть исправления, которые необходимо использовать.

Что касается предположений о самой модели, Train описывает три:

  1. Систематическое и неслучайное изменение вкуса.
  2. Пропорциональное замещение среди альтернатив (следствие свойства IIA).
  3. Отсутствует последовательная корреляция в погрешности (данные панели).

Первое предположение, которое вам в основном нужно защищать в контексте вашей проблемы. Третий - в значительной степени то же самое, потому что условия ошибки являются чисто случайными.

λ=1λ=1

Что касается выполнения всего этого в SPSS, я не могу помочь вам, кроме как предложить вам использовать mlogitпакет в R вместо. Сожалею.

gregmacfarlane
источник
Кроме того, полиномиальная пробитная модель дает сопоставимый результат с другим набором допущений. Таким образом, сравнение MNP / MNL также может быть полезным.
gregmacfarlane
3

Y

Фрэнк Харрелл
источник
Оказывается, это не всегда полностью верно. В некоторых (очень) недавних работах показано, что непротиворечивые параметры могут быть оценены для альтернатив, которые вы никогда не наблюдаете, при условии, что у вас есть некоторая экзогенная информация о фактической частоте населения. Но для этого требуется другая оценка, поэтому в целом вы правы.
gregmacfarlane
1
Похоже, что Байесовский приор призван - не могу не согласиться. Но без внешней информации безусловная полиномиальная логистика имеет очень много параметров для оценки.
Фрэнк Харрелл
2

Gmacfarlane было очень ясно. Но если быть более точным, и я предполагаю, что вы выполняете анализ поперечного сечения, основным предположением является IIA (независимость от несущественных альтернатив). Вы не можете принудительно вписать свои данные в допущение IIA, вы должны проверить их и надеяться на их удовлетворение. Spss не мог справиться с тестом до 2010 года наверняка. R, конечно, делает это, но вам может быть проще перейти на stata и реализовать тесты IIA, предоставляемые командами mlogit postesvaluation.

Если IIA не выполняется, разумным вариантом являются смешанный многочленный логит или вложенный логит. Первый из них может быть оценен в пределах gllamm, второй с гораздо более экономной командой nlogit.

JDav
источник