Jawaban @ joceratops berfokus pada masalah optimisasi kemungkinan maksimum untuk estimasi. Ini memang pendekatan yang fleksibel yang dapat menerima banyak jenis masalah. Untuk memperkirakan sebagian besar model, termasuk model regresi linier dan logistik, ada pendekatan umum lain yang didasarkan pada metode estimasi momen.
Estimator regresi linier juga dapat dirumuskan sebagai akar dari persamaan estimasi:
0 = XT( Y- X β)
Dalam hal ini dilihat sebagai nilai yang mengambil residu rata-rata 0. Tidak perlu bergantung pada model probabilitas yang mendasari untuk memiliki interpretasi ini. Namun, menarik untuk mendapatkan persamaan skor untuk kemungkinan normal, Anda akan melihat bahwa mereka mengambil bentuk yang ditampilkan di atas. Memaksimalkan kemungkinan keluarga eksponensial reguler untuk model linier (misalnya regresi linier atau logistik) setara dengan memperoleh solusi untuk persamaan skor mereka.β
0 = ∑i = 1nSsaya( α , β) = ∂∂βcatatanL(β,α,X,Y)=XT(Y−g(Xβ))
Di mana memiliki nilai yang diharapkan g ( X i β ) . Dalam estimasi GLM, g dikatakan sebagai kebalikan dari fungsi tautan. Dalam persamaan kemungkinan normal, g - 1 adalah fungsi identitas, dan dalam regresi logistik g - 1 adalah fungsi logit. Pendekatan yang lebih umum akan membutuhkan 0 = Σ n i = 1 Y - g ( X i β ) yang memungkinkan untuk model kesalahan spesifikasi.Yig(Xiβ)gg−1g−10=∑ni=1Y−g(Xiβ)
Selain itu, menarik untuk dicatat bahwa untuk keluarga eksponensial reguler, yang disebut hubungan mean-variance. Memang untuk regresi logistik, hubungan varians rata-rata adalah sedemikian rupa sehingga rata-ratap=g(Xβ)terkait dengan varians olehvar(Yi)=pi(1-pi)∂g(Xβ)∂β=V(g(Xβ))p=g(Xβ)var(Yi)=pi(1−pi). Ini menunjukkan interpretasi dari model yang salah menentukan GLM sebagai salah satu yang memberikan 0 rata-rata Pearson residual. Ini lebih lanjut menyarankan generalisasi untuk memungkinkan derivatif rata-rata fungsional yang tidak proporsional dan hubungan mean-variance.
Sebuah umum memperkirakan persamaan pendekatan akan menentukan model linear dengan cara berikut:
0=∂g(Xβ)∂βV−1(Y−g(Xβ))
Vg(Xβ)
gViig(Xiβ)(1−g(Xβ))β. Yang - mengingat jebakan interpretasi OR yang terdokumentasi dengan baik sebagai RR - membuat saya bertanya mengapa ada orang yang cocok dengan model regresi logistik sama sekali.