Question

如何在R？

中执行多变量（多个因变量）逻辑回归

我知道你这样做是为了线性回归，这是有效的

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

但是，当我尝试以下（见下文）进行逻辑回归时，它不起作用。

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

感谢您的帮助。

要添加，似乎我使用上述线性模型执行此操作的代码可能不正确。我正在尝试本文档中概述的内容，其中一些可能会有用。

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

Answer 1

在我看来，lm(cbind(A,B,C,D)~shopping_pt+price)只适用于四个因变量的四种不同模型。您提供的second link甚至提及：

单个系数以及它们的标准误差将与多元回归产生的系数相同。但是，OLS回归不会产生多变量结果，也不会允许测量方程中的系数。

意味着所有估计都是相同的，你只需要预测四次;拟合系数的假设在模型中是独立的。

我刚刚尝试过以下示例，表明它确实如此：

> 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

因此，这表明您可以单独使用四个逻辑模型。

r的多变量logistic回归？

1 个答案: