Оценка модели логистической регрессии

13

Я работаю над логистической моделью, и у меня возникают трудности с оценкой результатов. Моя модель - биномиальный логит. Мои объяснительные переменные: категориальная переменная с 15 уровнями, дихотомическая переменная и 2 непрерывные переменные. Мой N большой> 8000.

Я пытаюсь смоделировать решение фирм инвестировать. Зависимая переменная - это инвестиции (да / нет), 15 переменных уровня - это различные препятствия для инвестиций, о которых сообщают менеджеры. Остальные переменные - это контроль продаж, кредитов и использованной мощности.

Ниже приведены мои результаты, используя rmsпакет в R.

  Model Likelihood     Discrimination    Rank Discrim.    
                         Ratio Test            Indexes          Indexes       
Obs          8035    LR chi2     399.83    R2       0.067    C       0.632    
 1           5306    d.f.            17    g        0.544    Dxy     0.264    
 2           2729    Pr(> chi2) <0.0001    gr       1.723    gamma   0.266    
max |deriv| 6e-09                          gp       0.119    tau-a   0.118    
                                           Brier    0.213                     

          Coef    S.E.   Wald Z Pr(>|Z|)
Intercept -0.9501 0.1141 -8.33  <0.0001 
x1=10     -0.4929 0.1000 -4.93  <0.0001 
x1=11     -0.5735 0.1057 -5.43  <0.0001 
x1=12     -0.0748 0.0806 -0.93  0.3536  
x1=13     -0.3894 0.1318 -2.96  0.0031  
x1=14     -0.2788 0.0953 -2.92  0.0035  
x1=15     -0.7672 0.2302 -3.33  0.0009  
x1=2      -0.5360 0.2668 -2.01  0.0446  
x1=3      -0.3258 0.1548 -2.10  0.0353  
x1=4      -0.4092 0.1319 -3.10  0.0019  
x1=5      -0.5152 0.2304 -2.24  0.0254  
x1=6      -0.2897 0.1538 -1.88  0.0596  
x1=7      -0.6216 0.1768 -3.52  0.0004  
x1=8      -0.5861 0.1202 -4.88  <0.0001 
x1=9      -0.5522 0.1078 -5.13  <0.0001 
d2         0.0000 0.0000 -0.64  0.5206  
f1        -0.0088 0.0011 -8.19  <0.0001 
k8         0.7348 0.0499 14.74  <0.0001 

По сути, я хочу оценить регрессию двумя способами: а) насколько хорошо модель соответствует данным и б) насколько хорошо модель прогнозирует результат. Чтобы оценить степень соответствия (а), я думаю, что тесты отклонения, основанные на хи-квадрат, в этом случае не подходят, потому что число уникальных ковариат приближается к N, поэтому мы не можем предполагать распределение X2. Правильно ли это толкование?

Я могу видеть ковариаты, используя epiRпакет.

require(epiR)
logit.cp <- epi.cp(logit.df[-1]))

    id n x1   d2 f1 k8
     1 1 13 2030 56  1
     2 1 14  445 51  0
     3 1 12 1359 51  1
     4 1  1 1163 39  0
     5 1  7  547 62  0
     6 1  5 3721 62  1
    ...
    7446

Я также читал, что GoF-тест Hosmer-Lemeshow устарел, так как он делит данные на 10 для выполнения теста, что довольно произвольно.

Вместо этого я использую тест Ле Сесси-ван Хоуилингена-Копаса-Хосмера, реализованный в rmsпакете. Я не совсем уверен, как именно проводится этот тест, я еще не читал статьи об этом. В любом случае, результаты таковы:

Sum of squared errors    Expected value|H0           SD             Z            P
         1711.6449914         1712.2031888    0.5670868    -0.9843245    0.3249560

P большое, поэтому нет достаточных доказательств того, что моя модель не подходит. Большой! Тем не мение....

При проверке прогностической способности модели (b) я рисую ROC-кривую и нахожу, что AUC есть 0.6320586. Это выглядит не очень хорошо.

введите описание изображения здесь

Итак, подведем итог моим вопросам:

  1. Тесты, которые я запускаю, подходят для проверки моей модели? Какой еще тест я могу рассмотреть?

  2. Считаете ли вы модель полезной вообще или отклоните ее, основываясь на относительно плохих результатах анализа ROC?

Федерико С
источник
Вы уверены, что вы x1должны быть приняты в качестве единственной категориальной переменной? То есть в каждом случае должно быть 1 и только 1 «препятствие» для инвестирования? Я думаю, что в некоторых случаях можно столкнуться с 2 или более препятствиями, а в некоторых случаях их нет.
gung - Восстановить Монику

Ответы:

6

Существует много тысяч тестов, которые можно применить для проверки модели логистической регрессии, и многое из этого зависит от того, является ли цель целью - прогнозирование, классификация, выбор переменных, вывод, причинное моделирование и т. Д. Например, тест Хосмера-Лемешоу оценивает калибровка модели и соответствие прогнозируемых значений прогнозируемой частоте при делении на децили риска. Хотя выбор 10 является произвольным, тест имеет асимптотические результаты и может быть легко изменен. HL-тест, как и AUC, дают (на мой взгляд) очень неинтересные результаты при расчете по тем же данным, которые использовались для оценки модели логистической регрессии. Это удивительно, что такие программы, как SAS и SPSS, часто сообщают статистику для совершенно разных анализов. де-фактоспособ представления результатов логистической регрессии. Тесты точности прогнозирования (например, HL и AUC) лучше использовать с независимыми наборами данных или (даже лучше) данными, собранными за разные периоды времени, для оценки прогнозирующей способности модели.

Другой момент, который нужно сделать, - это то, что предсказание и умозаключение - это очень разные вещи Не существует объективного способа оценки прогноза, AUC 0,65 очень хорош для прогнозирования очень редких и сложных событий, таких как риск рака молочной железы в течение 1 года. Точно так же умозаключения могут быть обвинены в том, что они были произвольными, потому что традиционная ложная положительная ставка 0,05 просто распространена.

Если бы я был вами, описание вашей проблемы, казалось бы, интересовало моделирование эффектов, о которых менеджер сообщал о «препятствиях» в инвестировании, поэтому сфокусируйтесь на представлении ассоциативно скорректированных моделей. Представьте точечные оценки и 95% доверительные интервалы для модельных отношений шансов и будьте готовы обсудить их значение, интерпретацию и обоснованность с другими. Лесной участок - эффективный графический инструмент. Вы также должны показать частоту этих препятствий в данных и представить их опосредование другими корректирующими переменными, чтобы продемонстрировать, была ли возможность смешивания малой или большой в нескорректированных результатах. Я хотел бы пойти еще дальше и исследовать такие факторы, как альфа Кронбаха, для согласованности между сообщениями менеджера о препятствиях, чтобы определить, склонны ли менеджеры сообщать о подобных проблемах, или,

Я думаю, что вы слишком сосредоточены на цифрах, а не на вопрос под рукой. 90% хорошей статистической презентации происходит до того, как будут представлены результаты модели.

Adamo
источник
Спасибо Адам за ваш ответ! Я основываю большую часть своего анализа на интерпретации отношения шансов и предсказанных вероятностей. Но так как я еще не слишком доволен логистической регрессией, я боюсь, что мой анализ может быть отклонен, потому что я пропускаю какой-то общий критерий соответствия модели. Но, как вы сказали, я также считаю, что я должен сосредоточиться на более материальной интерпретации модели. Я рассмотрю ваши рекомендации для лесных участков и Альфы Кронбаха. Еще раз спасибо!
Федерико C
Единственным допустимым нарушением допущений модели могут быть коррелированные данные с учетом вашего описания проблемы. Имея это в виду, вы можете выполнить тест дисперсии с помощью модели квазибиномиальной регрессии , или вы можете попытаться выполнить анализ подгрупп по типам отраслей (для различных фирм, которые вы упомянули), или снова попробовать кластерный анализ.
AdamO