Istilah intersep dalam regresi logistik

Misalkan kita memiliki model regresi logistik berikut:

logit (p) = β_{0} + β_{1} x_{1} + β_{2} x_{2}

$\text{logit}(p) = \beta_0+\beta_{1}x_{1} + \beta_{2}x_{2}$

Apakah peluang acara ketika dan ? Dengan kata lain, ini adalah peluang acara ketika dan berada di level terendah (bahkan jika ini bukan 0)? Misalnya, jika dan hanya mengambil nilai dan maka kita tidak dapat menetapkannya ke 0. $\beta_0$ $x_1 = 0$ $x_2=0$ $x_1$ $x_2$ $x_1$ $x_2$ $2$ $3$

logistic interpretation intercept

— penjaga logistik
sumber

Saya yakin Anda akan menemukan jawabannya di stats.stackexchange.com/questions/91402 untuk mengungkapkan dan membantu. Dengan perubahan kecil, ini berlaku langsung untuk situasi Anda.

— whuber

@whuber: Jadi, dalam contoh saya, dan berada di luar rentang data saya? Dan dengan demikian dan tidak ada interpretasi yang berarti.

x_{1} = 0

$x_1 = 0$

x_{2} = 0

$x_2=0$

β_{0}

$\beta_0$

— logisticgu

Jawaban:

$\beta_0$ bukan peluang acara ketika , itu adalah log peluang . Selain itu, ini merupakan peluang log hanya ketika , bukan ketika mereka berada pada nilai terendah bukan nol. $x_1 = x_2 = 0$ $x_1 = x_2 = 0$

— gung - Pasang kembali Monica
sumber

Karenanya tidak memiliki interpretasi yang berarti dalam situasi saya.

β_{0}

$\beta_0$

— logisticgu

Karenanya

tidak memiliki interpretasi independen yang berarti dalam situasi Anda. Itu sering terjadi. Itu masih merupakan bagian integral dari model. Jika Anda menjatuhkannya dari model, sisa model (misalnya, estimasi

) akan menjadi bias.

β_{0}

$\beta_0$

{\hat{β}}_{1}

$\hat\beta_1$

— gung - Reinstate Monica

x_{2} = 2

$x_2=2$

x_{3} = 3

$x_3=3$

p

$p$

x_{1} - 2

$x_1-2$

x_{3} - 3

$x_3-3$

x_{1} = 2

$x_1=2$

x_{2} = 3

$x_2=3$

β_{0} + 2 β_{1} + 3 β_{2}

$\beta_0+2\beta_1+3\beta_2$ , tetapi output perangkat lunak standar kemungkinan akan secara otomatis menyertakan tes untuk membandingkannya dengan nol.

— whuber

\exp (β_{1})

$\exp(\beta_1)$

x_{1} = 3

$x_1= 3$

x_{1} = 2

$x_1=2$

\exp (β_{1})

$\exp(\beta_1)$

x_{1}

$x_1$

$x_1$ $x_2$ $0$ $\beta_0$

$\beta_0$

— Sergey Makarevich
sumber

$x^{2}$

x^{2}

$x^2$ $\beta_0$

β_{0}

$\beta_0$

Saya sarankan untuk melihatnya dengan cara yang berbeda ...

$\text{logit}(p)$

$\beta_0 + \beta_1x_1 + \beta_2x_2+ \dotsm$

$x_i$ $\beta_0$ $\beta_i x_i$

$\beta_0$ $x_i$ $x_i$ $\beta_0$

Mungkin saya mengatakan hal yang sama dalam pola pikir yang sedikit berbeda, tapi saya harap ini membantu ...

— Omeed
sumber