Multinomial Logit模型Python和Stata结果不同

时间:2018-03-03 16:54:54

标签: python scikit-learn statistics stata mlogit

我正在尝试使用python和stata构建多项logit模型。我的数据如下:

    ses_type prog_type  read  write  math  prog  ses 
0        low   Diploma  39.2   40.2  46.2     0     0
1     middle   general  39.2   38.2  46.2     1     1
2       high   Diploma  44.5   44.5  49.5     0     2
3        low   Diploma  43.0   43.0  48.0     0     0
4     middle   Diploma  44.5   36.5  45.5     0     1
5       high   general  47.3   41.3  47.3     1     2

我正在尝试使用 ses读写和数学预测 prog 。如果ses代表社会经济状态并且是名义变量,那么我使用以下命令在stata中创建我的模型:

mlogit prog i.ses read write math, base(2)

Stata输出如下:

Iteration 0:   log likelihood = -204.09667  
Iteration 1:   log likelihood = -171.90258  
Iteration 2:   log likelihood = -170.13513  
Iteration 3:   log likelihood = -170.11071  
Iteration 4:   log likelihood =  -170.1107  

Multinomial logistic regression                 Number of obs     =        200
                                                LR chi2(10)       =      67.97
                                                Prob > chi2       =     0.0000
Log likelihood =  -170.1107                     Pseudo R2         =     0.1665

------------------------------------------------------------------------------
        prog |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
0            |
         ses |
          1  |   .6197969   .5059335     1.23   0.221    -.3718146    1.611408
          2  |  -.5131952   .6280601    -0.82   0.414     -1.74417    .7177799
             |
        read |  -.0405302   .0289314    -1.40   0.161    -.0972346    .0161742
       write |  -.0459711   .0270153    -1.70   0.089      -.09892    .0069779
        math |  -.0990497   .0331576    -2.99   0.003    -.1640373   -.0340621
       _cons |   9.544131   1.738404     5.49   0.000     6.136921    12.95134
-------------+----------------------------------------------------------------
1            |
         ses |
          1  |  -.3350861   .4607246    -0.73   0.467     -1.23809    .5679176
          2  |  -.8687013   .5363968    -1.62   0.105     -1.92002     .182617
             |
        read |  -.0226249   .0264534    -0.86   0.392    -.0744726    .0292228
       write |   -.011618   .0266782    -0.44   0.663    -.0639063    .0406703
        math |  -.0591301   .0299996    -1.97   0.049    -.1179283    -.000332
       _cons |   5.041193   1.524174     3.31   0.001     2.053866    8.028519
-------------+----------------------------------------------------------------
2            |  (base outcome)
------------------------------------------------------------------------------

我尝试使用python中的scikit learn模块复制相同的结果。以下是代码:

data = pd.read_csv("C://Users/Furqan/Desktop/random_data.csv")


train_x = np.array(data[['read', 'write', 'math','ses ']])
train_y = np.array(data['prog'])

mul_lr = linear_model.LogisticRegression(multi_class='multinomial',
                                         solver='newton-cg').fit(train_x, train_y)

print(mul_lr.intercept_)
print(mul_lr.coef_)

输出值(截距和系数)如下:

[ 4.76438772  0.19347405 -4.95786177]

[[-0.01735513 -0.02731273 -0.04463257  0.01721334]
 [-0.00319366  0.00783135 -0.00689664 -0.24480926]
 [ 0.02054879  0.01948137  0.05152921  0.22759592]]

价值观变得不同。

我的第一个问题是为什么结果会有所不同?

我的第二个问题是,在名义预测变量的情况下,我们如何指示python ses 指标变量

编辑:

Link到数据文件

1 个答案:

答案 0 :(得分:3)

有几个问题导致Statasklearn结果不同:

  1. Stata和sklearn的不同实际预测因子
  2. 拟合参数的不同表示
  3. 拟合模型时的不同目标函数
  4. 我们需要改变所有三个条件以实现类似的输出。

    1。制作虚拟变量

    Stata用于线性部分的公式为

     prediction = a0 + a1 * [ses==1] + a2 * [ses==2] + a3 * read + a4 * write + a5 * math
    
    反过来,

    Sklearnses的分类性质一无所知,并尝试使用

     prediction = a0 + a1 * ses + a3 * read + a4 * write + a5 * math
    

    要启用分类预测,您需要预处理数据。这是将分类变量包含在sklearn逻辑回归中的唯一可行方法。我发现pd.get_dummies()是最方便的方法。

    以下代码为ses创建虚拟变量,然后删除"low"级别,显然对应于示例中的ses=0

    import pandas as pd, numpy as np
    from sklearn import linear_model
    
    data = pd.read_csv("d1.csv", sep='\t')
    data.columns = data.columns.str.strip()
    
    raw_x = data.drop('prog', axis=1)
    # making the dummies
    train_x = pd.get_dummies(raw_x, columns=['ses']).drop('ses_low ', axis=1)
    print(train_x.columns)
    train_y = data['prog']
    
    mul_lr = linear_model.LogisticRegression(multi_class='multinomial',
                                             solver='newton-cg').fit(train_x, train_y)
    reorder = [4, 3, 0, 1, 2] # the order in which coefficents show up in Stata
    
    print(mul_lr.intercept_)
    print(mul_lr.coef_[:, reorder])
    

    输出

    ['read', 'write', 'math', 'ses_high ', 'ses_middle ']
    [ 4.67331919  0.19082335 -4.86414254]
    [[ 0.47140512 -0.08236331 -0.01909793 -0.02680609 -0.04587383]
     [-0.36381476 -0.33294749 -0.0021255   0.00765828 -0.00703075]
     [-0.10759035  0.4153108   0.02122343  0.01914781  0.05290458]]
    

    您看到Python已成功将sess编码为'ses_high ''ses_middle ',但未能生成预期的系数。

    顺便说一下,我已经改变了输出中coef_列的顺序,让它看起来像在Stata中。

    2。重新排列结果

    这是因为Stata将结果的第三类(prog=='honors ')视为基本结果,并从其余参数中减去其所有参数。在Python中,您可以通过运行

    来重现这一点
    print(mul_lr.intercept_ - mul_lr.intercept_[-1])
    print((mul_lr.coef_  - mul_lr.coef_[-1])[:, reorder])
    

    给你

    [9.53746174 5.0549659  0.        ]
    [[ 0.57899547 -0.4976741  -0.04032136 -0.0459539  -0.09877841]
     [-0.25622441 -0.74825829 -0.02334893 -0.01148954 -0.05993533]
     [ 0.          0.          0.          0.          0.        ]]
    

    您现在可以看到参数现在接近Stata给出的参数:

    • 截获(9.53,5.05)Python(vs。9.54,5.04)in Stata
    • 第一结果系数(0.57,-0.49,...)vs(0.61,-0.51,...)
    • 第二结果系数(-0.25,-0.74,...)vs(-0.33,-0.86,...)

    你能看到这种模式吗?在sklearn中,斜率系数比Stata更小(接近零)。这不是偶然的!

    3。处理正规化

    这是因为sklearn故意将斜率系数收缩<0>,通过将系数的二次惩罚加到它最大化的似然函数上。这使得估计偏差但更稳定,即使在严重的多重共线性的情况下也是如此。在贝叶斯项中,这种正则化对应于所有系数上的零均值高斯先验。您可以详细了解正规化in the wiki

    sklearn中,此二次惩罚由正C参数控制:它越小,您获得的正则化就越多。您可以将其视为每个斜率系数的先验方差。默认值为C=1,但您可以将其设置为更大,例如C=1000000,这意味着几乎没有正则化。在这种情况下,输出几乎与Stata的输出相同:

    mul_lr2 = linear_model.LogisticRegression(
        multi_class='multinomial', solver='newton-cg', C=1000000
    ).fit(train_x, train_y)
    print(mul_lr2.intercept_ - mul_lr2.intercept_[-1])
    print((mul_lr2.coef_  - mul_lr2.coef_[-1])[:, reorder])
    

    给你

    [9.54412644 5.04126452 0.        ]
    [[ 0.61978951 -0.51320481 -0.04053013 -0.0459711  -0.09904948]
     [-0.33508605 -0.86869799 -0.02262518 -0.01161839 -0.05913068]
     [ 0.          0.          0.          0.          0.        ]]
    

    结果仍然略有不同(如第5小数),但正则化程度越低,差异填充量就越小。