R中的多元逻辑回归？

Question

R中的多元逻辑回归？

9

如何在R中进行多元（多个因变量）Logistic回归？

我知道在R中进行线性回归，但这并不适用于Logistic回归。

form <-cbind(A,B,C,D)~shopping_pt+price
mlm.model.1 <- lm(form, data = train)

但是，当我尝试使用以下代码进行逻辑回归时（见下文），它不能正常工作。

model.logistic <- glm(form, family=binomial(link=logit), data=train)

谢谢您的帮助。

另外，似乎我用线性模型来完成这个任务的代码可能不正确。我正在尝试根据这份文档中提出的方法来操作，对某些人可能会有所帮助。

ftp://ftp.cis.upenn.edu/pub/datamining/public_html/ReadingGroup/papers/multiResponse.pdf

- blast00

1

我可能错了，但我认为你针对lm的代码只适用于四个独立的模型，每个模型都有一个因变量。我的意思是，你可以拟合四个逻辑回归模型。 - Julián Urbano

3

谢谢提供链接。然而，第二个链接提到了以下内容：“各个系数及其标准误差与多元回归所产生的结果相同。但是，普通最小二乘回归不会产生多元结果，也不能对方程间的系数进行测试。” - Julián Urbano

您应该考虑添加一个dput()调用以提供您数据集的样本，或者提供一个可再现的示例。 - marbel

2

如果您适当地“堆叠”数据，可以使用广义线性混合模型（GLMM）包来完成此操作：MCMCglmm（请参见课程笔记的第5章）或lme4（请参见http://rpubs.com/bbolker/3336）应该可以胜任，尽管那里给出的多元示例是多元正态分布。如果您提供一个可重现的示例，我会考虑发布一个解决方案... - Ben Bolker

你知道在MCMCglmm中是否可以进行多元预测吗？我对检验显著性不感兴趣，我的主要关注点是预测。在我继续尝试重塑数据之前，因为你写了课程笔记，所以我希望你能有答案。 - blast00

显示剩余4条评论

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Julián Urbano · Accepted Answer

据我所知，lm(cbind(A,B,C,D)~shopping_pt+price)仅为四个因变量拟合了四个不同的模型。你提供的第二个链接甚至提到：

每个系数及其标准误将与多元回归产生的结果相同。但是，OLS回归将不会产生多元结果，也不会允许对方程之间的系数进行测试。

这意味着所有估计值都将相同，您只需预测四次；并且适合系数的假设在模型之间是独立的。

我尝试了下面的示例，并证明它确实是这样：

> set.seed(0)
> x1 <- runif(10)
> x2 <- runif(10)
> y1 <- 2*x1 + 3*x2 + rnorm(10)
> y2 <- 4*x1 + 5*x2 + rnorm(10)
> mm <- lm(cbind(y1,y2)~x1+x2)
> m1 <- lm(y1~x1+x2)
> m2 <- lm(y2~x1+x2)
# If we look at mm, m1 and m2, we see that models are identical
# If we predict new data, they give the same estimates
> x1_ <- runif(10)
> x2_ <- runif(10)
> predict(mm, newdata=list(x1=x1_, x2=x2_))
          y1       y2
1  2.9714571 5.965774
2  2.7153855 5.327974
3  2.5101344 5.434516
4  1.3702441 3.853450
5  0.9447582 3.376867
6  2.3809256 5.051257
7  2.5782102 5.544434
8  3.1514895 6.156506
9  2.4421892 5.061288
10 1.6712042 4.470486
> predict(m1, newdata=list(x1=x1_, x2=x2_))
        1         2         3         4         5         6         7         8         9        10 
2.9714571 2.7153855 2.5101344 1.3702441 0.9447582 2.3809256 2.5782102 3.1514895 2.4421892 1.6712042 
> predict(m2, newdata=list(x1=x1_, x2=x2_))
       1        2        3        4        5        6        7        8        9       10 
5.965774 5.327974 5.434516 3.853450 3.376867 5.051257 5.544434 6.156506 5.061288 4.470486

这表明您只需分别适配四个逻辑模型。