ใช้การถดถอยโลจิสติกสำหรับตัวแปรขึ้นอยู่กับอย่างต่อเนื่อง

ฉันได้รับการแก้ไขสำหรับงานวิจัยของฉันเมื่อเร็ว ๆ นี้และต่อไปนี้เป็นความคิดเห็นของผู้ตรวจทานบนกระดาษของฉัน:

ผลลัพธ์ที่ได้จากแบบจำลองเดียวไม่น่าเชื่อโดยเฉพาะการถดถอยเชิงเส้นมักจะมีข้อบกพร่องในการจัดการกับคนผิดปกติ ฉันขอแนะนำให้ผู้เขียนลองถดถอยโลจิสติกและเปรียบเทียบผลลัพธ์ที่สอดคล้องกับผลลัพธ์ปัจจุบัน หากได้ข้อสังเกตที่คล้ายกันผลลัพธ์จะมีความมั่นคงมากขึ้น

ความคิดเห็นของผู้วิจารณ์ถูกต้องหรือไม่ การถดถอยโลจิสติกดีกว่าการถดถอยเชิงเส้นหลายครั้งหรือไม่

ปัญหาคือว่าตัวแปรตามของฉันไม่ได้จัดหมวดหมู่มันเป็นตัวแปรขนาด ฉันจะทำอะไรได้บ้าง คุณแนะนำวิธีการถดถอยแบบอื่นใดในการประเมินโมเดลของฉัน

คะแนนขึ้นอยู่กับตัวแปรในตารางต่อไปนี้ ความใหม่ความถี่การครอบครองและคะแนนสุดท้ายเป็นตัวแปรอิสระ

ฉันได้แยกตัวแปรเหล่านี้ออกจากไซต์แล้วและฉันตั้งสมมติฐานว่าตัวแปรอิสระเหล่านี้มีผลต่อคะแนนอย่างมาก ดังนั้นฉันเป็นตัวแทนของรุ่นต่อไปนี้:

ยังไงก็ตามค่าของ R กำลังสองสำหรับโมเดลเชิงเส้นนี้คือ 0.316! ผู้ตรวจสอบยังแสดงความคิดเห็นเกี่ยวกับค่านี้เช่นกัน:

ผลลัพธ์จะไม่น่าเชื่อถือเนื่องจากไม่มีตัวบ่งชี้คุณภาพของสัมประสิทธิ์ที่เรียนรู้ R ^ 2 ขนาดเล็กไม่สามารถบ่งบอกถึงประสิทธิภาพที่ดีเนื่องจากรุ่นอาจติดตั้งเกินขนาด

0.316 ต่ำมากสำหรับ R กำลังสองหรือไม่ ในเอกสารก่อนหน้านี้ฉันเห็นคุณค่าที่คล้ายกันมาก

รูปแบบการถดถอยโลจิสติกการถดถอยแบบตามสัดส่วนควรทำงานได้ดีสำหรับปัญหานี้ สำหรับการนำไปใช้อย่างมีประสิทธิภาพนั้นสามารถทำให้เกิดความโดดเด่นเป็นพัน$Y$ค่าเห็นormฟังก์ชั่นในrmsแพคเกจR

คุณสามารถลองสั่งรุ่น probit / logit โดยกำหนดค่า 1, 2,3 และ 4 ให้กับคะแนนในวันที่ 1, ..... , 4 ตามลำดับ

คุณสามารถแบ่งขั้ว (แปลงเป็นตัวแปรไบนารี) ได้ หากคะแนนจาก 0 ถึง 100 คุณสามารถกำหนด 0 ให้กับคะแนนใด ๆ ที่น้อยกว่า 50 และ 1 เป็นอย่างอื่น ฉันไม่เคยได้ยินมาก่อนว่านี่เป็นวิธีที่ดีในการจัดการกับคนผิด สิ่งนี้อาจซ่อนค่าผิดปกติเนื่องจากจะไม่สามารถแยกความแตกต่างของคะแนนสูงหรือต่ำมาก มันไม่สมเหตุสมผลสำหรับฉัน แต่คุณสามารถลองได้

ที่สำคัญกว่านั้นคือทำไมคุณจึงบันทึกการแปรสภาพโควาเรียตและตัวแปรตอบกลับทั้งหมดของคุณ? สิ่งนี้จะส่งผลกระทบต่อคุณ$\beta$ ประมาณการและของคุณ $R^2$ (ฉันคิด).

นอกจากนี้ผู้วิจารณ์พูดว่ามีขนาดเล็ก $R^2$แสดงให้เห็นถึงการมีส่วนร่วมมากเกินไป? ฉันคิดว่าการให้กำลังมากเกินไปคือเมื่อคุณ$R^2$สูง แต่โมเดลของคุณทำงานกับข้อมูลใหม่ได้ไม่ดี (เช่นมันตรงกับข้อมูลของคุณ แต่ไม่ได้ทำให้ข้อมูลใหม่ทั่วไป) การมีแนวโน้มมากเกินไปจะเกิดขึ้นเมื่อคุณมีการสังเกตน้อยซึ่งคุณกำลังพยายามทำนายด้วยพารามิเตอร์จำนวนมาก นี่คือสิ่งที่คุณกำลังทำในรุ่น 2 ของคุณเนื่องจากคุณมี 8 การสังเกตซึ่งคุณพยายามอธิบายด้วย 7 พารามิเตอร์

ฉันจะไม่แกล้งฉันรู้เรื่องสถิติอย่างมาก แต่สำหรับฉันแล้วความคิดเห็นของเขาดูเหมือนว่าฉันจะวิจารณ์น้อยลง

เป็นไปได้ที่จะใช้การถดถอยโลจิสติกแม้กับตัวแปรที่ขึ้นอยู่กับความต่อเนื่อง มันสมเหตุสมผลถ้าคุณต้องการให้แน่ใจว่าการทำนายscoreนั้นอยู่ภายในเสมอ[0, 100](ฉันตัดสินจากสกรีนช็อตของคุณว่ามันอยู่ในระดับ 100 จุด)

เพื่อให้บรรลุมันเพียงแค่หารคะแนนของคุณด้วย 100 และเรียกใช้การถดถอยโลจิสติกกับ[0,1]ตัวแปรเป้าหมายตามเช่นในคำถามนี้คุณสามารถทำได้ตัวอย่างเช่นด้วยRโดยใช้

glm(y~x, family="binomial", data=your.dataframe)

ฉันไม่ทราบว่าวิธีการนี้จะช่วยลดค่าใช้จ่ายได้หรือไม่ขึ้นอยู่กับประเภทของค่าผิดปกติที่คุณคาดหวัง แต่บางครั้งก็ปรับปรุงความดีของความพอดี (แม้$R^2$หากตัวแปรตามของคุณมีขอบเขตล่างและบนโดยธรรมชาติ

สำหรับคำถามที่สอง $R^2\approx 0.3$อาจเป็นสิ่งที่ดีที่สุดที่คุณสามารถบีบข้อมูลออกมาได้ หากคุณสร้างแบบจำลองของคุณเพื่อการอนุมานต่ำ$R^2$ดีโดยสิ้นเชิงตราบใดที่สัมประสิทธิ์ที่คุณมีความสำคัญ หากคุณต้องการตรวจสอบว่ามีการติดตั้งโมเดลมากเกินไปหรือไม่คุณสามารถตรวจสอบได้$R^2$ ในชุดทดสอบหรือทำการตรวจสอบข้าม