मेरे पास एक संख्यात्मक चर है जो एक बहुभिन्नरूपी लॉजिस्टिक प्रतिगमन मॉडल में महत्वपूर्ण नहीं है। हालाँकि, जब मैं इसे समूहों में वर्गीकृत करता हूं, तो अचानक यह महत्वपूर्ण हो जाता है। यह मेरे लिए बहुत ही सहज ज्ञान युक्त है: एक चर को वर्गीकृत करते समय, हम कुछ जानकारी देते हैं।
यह कैसे हो सकता है?
जवाबों:
एक संभावित व्याख्या आपके परिणाम और भविष्यवक्ता के बीच संबंधों में गैर-समानताएं होगी।
यहाँ एक छोटा सा उदाहरण है। हम एक भविष्यवक्ता का उपयोग करते हैं जो पर समान है । परिणाम, तथापि, यह नहीं है कि रैखिक कारक पर निर्भर है, लेकिन पर वर्ग सही के लिए दोनों अधिक होने की संभावना है: भविष्यवक्ता की और के लिए है, लेकिन कम संभावना । इस मामले में, एक रैखिक मॉडल महत्वहीन होगा, लेकिन भविष्यवक्ता को अंतराल में काटने से यह महत्वपूर्ण हो जाता है।
> set.seed(1)
> nn <- 1e3
> xx <- runif(nn,-1,1)
> yy <- runif(nn)<1/(1+exp(-xx^2))
>
> library(lmtest)
>
> model_0 <- glm(yy~1,family="binomial")
> model_1 <- glm(yy~xx,family="binomial")
> lrtest(model_1,model_0)
Likelihood ratio test
Model 1: yy ~ xx
Model 2: yy ~ 1
#Df LogLik Df Chisq Pr(>Chisq)
1 2 -676.72
2 1 -677.22 -1 0.9914 0.3194
>
> xx_cut <- cut(xx,c(-1,-0.3,0.3,1))
> model_2 <- glm(yy~xx_cut,family="binomial")
> lrtest(model_2,model_0)
Likelihood ratio test
Model 1: yy ~ xx_cut
Model 2: yy ~ 1
#Df LogLik Df Chisq Pr(>Chisq)
1 3 -673.65
2 1 -677.22 -2 7.1362 0.02821 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
हालांकि, इसका मतलब यह नहीं है कि भविष्यवक्ता का विवेक सबसे अच्छा तरीका है। (यह लगभग कभी नहीं होता है।) बहुत बेहतर है कि बिना छींटे या समान का उपयोग करके अशुभता का मॉडल बनाया जाए ।
एक संभावित तरीका यह है कि यदि संबंध स्पष्ट रूप से अशुभ है। यह बताना संभव नहीं है (विवरण की कमी को देखते हुए) क्या यह वास्तव में बताता है कि क्या चल रहा है।
आप अपने लिए जांच कर सकते हैं। सबसे पहले, आप स्वयं के रूप में चर के लिए एक जोड़ा चर साजिश कर सकते हैं, और आप मॉडल के कारक-संस्करण में फिट किए गए प्रभावों को भी साजिश कर सकते हैं। यदि स्पष्टीकरण सही है, तो दोनों को एक अलग तरह का नॉनलाइन पैटर्न देखना चाहिए।