लॉजिस्टिक रिग्रेशन को एक रेखीय संयोजन के रूप में वर्णित किया जा सकता है
η=β0+β1X1+...+βkXk
यह लिंक फंक्शन से होकर गुजरा है :g
g(E(Y))=η
जहां लिंक फ़ंक्शन एक लॉगिट फ़ंक्शन है
E(Y|X,β)=p=logit−1(η)
Y{0,1}η
E(Y)=P(Y=1){0,1}E(Y|X,β)P(Y=1|X,β)P(Y=1|X,β)pY
yi∼Bernoulli(p)
βXηE(Y|X,β)=ηY{0,1}η[0,1]
βiηpY
tβiμiσ2i
model {
# setting up priors
a ~ dnorm(0, .0001)
b ~ dnorm(0, .0001)
for (i in 1:N) {
# passing the linear combination through logit function
logit(p[i]) <- a + b * x[i]
# likelihood function
y[i] ~ dbern(p[i])
}
}
जैसा कि आप देख सकते हैं, कोड सीधे मॉडल परिभाषा में अनुवाद करता है। क्या सॉफ्टवेयर करता है यह सामान्य महंतों से कुछ मान ड्रॉ के लिए है a
और b
, तो यह उन मूल्यों का उपयोग करता अनुमान लगाने के लिए p
और अंत में, संभावना फ़ंक्शन का उपयोग करता आकलन करने के लिए कैसे की संभावना अपने डेटा उन पैरामीटर दिया जाता है (इस जब आप Bayes सिद्धांत का उपयोग करके, देखना है यहाँ के लिए अधिक विस्तृत विवरण)।
βiΣ
⎛⎝⎜⎜⎜⎜β0β1⋮βk⎞⎠⎟⎟⎟⎟∼MVN⎛⎝⎜⎜⎜⎜⎜⎡⎣⎢⎢⎢⎢μ0μ1⋮μk⎤⎦⎥⎥⎥⎥,⎡⎣⎢⎢⎢⎢⎢σ20σ1,0⋮σk,0σ0,1σ21⋮σk,1……⋱…σ0,kσ1,k⋮σ2k⎤⎦⎥⎥⎥⎥⎥⎞⎠⎟⎟⎟⎟⎟
... लेकिन यह विवरण में जा रहा है, तो चलो यहीं रुक जाते हैं।
यहाँ "बेयसियन" भाग बेयर्स प्रमेय का उपयोग करते हुए और संभाव्य शब्दों में परिभाषित मॉडल का उपयोग करते हुए, पुजारियों को चुन रहा है। "बायेसियन मॉडल" की परिभाषा के लिए यहां देखें और बेयसियन दृष्टिकोण पर कुछ सामान्य अंतर्ज्ञान के लिए यहां देखें । आप यह भी देख सकते हैं कि परिभाषित करने वाला मॉडल इस दृष्टिकोण के साथ बहुत सीधा और लचीला है।
क्रुस्के, जेके, एगुइनिस, एच।, और जू, एच (2012)। समय आ गया है: संगठनात्मक विज्ञान में डेटा विश्लेषण के लिए बायेसियन तरीके। संगठनात्मक अनुसंधान के तरीके, 15 (4), 722-752।
जेलमैन, ए।, जक्यूलिन, ए।, पिटौ, जीएम, और सु, वाई.-एस। (2008)। लॉजिस्टिक और अन्य प्रतिगमन मॉडल के लिए एक कमजोर सूचनात्मक डिफ़ॉल्ट पूर्व वितरण। द एनल्स ऑफ एप्लाइड स्टैटिस्टिक्स, 2 (4), 1360–1383।