我正在处理多项逻辑回归问题(即,我想对名义结果变量的一些无序,独立水平进行分类)。我的问题是我知道结果变量的级别(在此示例中为y=c('a','b','c')
),并且我知道预测变量,它们的级别及其类(在这里为数字/整数或名义值)。我知道每个预测变量和结果之间的近似分布应该是什么(例如,x
的较高值y='a'
在x
出现的频率更高,否则y
的较低值会随机分布在其他变量之间nnet::multinom(y~.,df)
级别)。
基本上,我想做4件事:1)生成这些变量的数据集,这些数据集近似于我指定的分布; 2)对数据predict()
进行多项式逻辑回归; 3)使用结果模型使用新数据来y
个级别R
; 4)检索概率以进行进一步处理。我对MLR模型的准确性或p值不感兴趣,因此不需要将数据拆分为训练/测试样本,也不需要进行k折交叉验证或其他任何操作。
我最初的想法是,这种基于某些用户指定分布的数据集反向工程不能太罕见,并且可能存在一个rm(list=ls())
set.seed(123)
# specify vars and levels -- y=outcome var
y <- c('a','b','c')
x <- c(1:5)
p <- c(1:4)
r <- c(1:8)
q <- c('foo','bar','hello','world') # nominal var
# sample data based on user-specified distributions/probs
df1 <- data.frame(x1=sample(x,100,T,prob=c(0.1,0.1,0.2,0.25,0.35)),
y='b')
df2 <- data.frame(x1=sample(x,200,T,prob=c(0.35,0.25,0.2,0.1,0.1)),
y=sample(c('a','c'),200,T))
df <- rbind(df1,df2)
# check distribution of x1 levels v. y levels
table(df$x1,df$y)
b a c
1 7 38 30
2 11 29 26
3 22 17 22
4 26 14 7
5 34 12 5
包/函数做这个。到目前为止我还没有找到。到目前为止,我的方法如下:手动指定每个预测变量的每个级别相对于结果的每个级别的分布,就像这样:
# create random sample
df <- ldply(mget(ls()),
function(x) sample(x,1000,T)) %>%
gather(k,v,-`.id`) %>%
spread(`.id`,v) %>% select(-k)
str(df)
# change back vars to numeric
df[,c('p','r','x')] <-
apply(df[,c('p','r','x')],2,function(x) as.numeric(x))
glimpse(df)
Observations: 1,000
Variables: 5
$ p <dbl> 2, 2, 3, 1, 3, 2, 2, 4, 2, 4, 4, 3, 2, 4, 1, 4, 2, 1, 4, 3, 1, 3, 4, 3, 2, 2, 3...
$ q <chr> "bar", "bar", "foo", "bar", "world", "hello", "foo", "hello", "world", "hello",...
$ r <dbl> 2, 2, 1, 6, 6, 3, 4, 8, 6, 6, 2, 2, 8, 7, 7, 6, 3, 2, 4, 5, 2, 7, 1, 6, 3, 7, 8...
$ x <dbl> 2, 5, 1, 3, 3, 5, 2, 4, 1, 3, 5, 1, 5, 5, 2, 1, 1, 4, 4, 1, 5, 1, 5, 4, 4, 3, 2...
$ y <chr> "a", "c", "b", "a", "b", "a", "b", "c", "c", "b", "c", "c", "b", "a", "c", "b",...
# graph distribution of each predictor against each outcome -- not run here
# df %>% gather(k,v,-y) %>% group_by(y,k,v) %>%
# summarise(n=n()) %>%
# mutate(prop=n/sum(n)) %>%
# ggplot(aes(y,prop,fill=v)) + geom_bar(stat='identity',position='dodge') +
# facet_wrap(~k,scales='free') + theme(legend.position = 'none')
# run MLR model
m <- multinom(y~.,df)
summary(m)$coefficients
m$wts # coefficients from model
# adjust weight 16, which is x against y=b
m$wts[16] <- 1
问题在于,随着预测变量数量的增加和级别的提高,这很繁琐。我的下一个方法是生成随机数据样本,运行MLR模型,并调整模型权重。
function coStatus(RATE_OF_WHT, NAME) {
sString = "";
if (RATE_OF_WHT == "4" || RATE_OF_WHT == "7" || RATE_OF_WHT == "8" || RATE_OF_WHT == "14.5" || RATE_OF_WHT == "15" || RATE_OF_WHT == "2" && NAME.includes("LTD") || NAME.includes("LIMITED") || NAME.includes("Ltd") || NAME.includes("Limited")) {sString = "COMPANY"}
else if (RATE_OF_WHT == "155" || RATE_OF_WHT == "3" || RATE_OF_WHT == "6" && NAME.includes("LTD") || NAME.includes("LIMITED") || NAME.includes("Ltd") || NAME.includes("Limited")) {sString = "COMPANY"}
else {sString = "INDIVIDUAL"}
return sString;
}
同样,当预测变量和水平的数量很大时,这很繁琐。 Plus 在我继续更改模型权重并预测新数据时,我遇到了一些意外的概率(显然,我对MLR的了解不足,无法自信地使用此方法)。
因此,我在这个阶段或多或少陷入困境。我已经考虑过使用多种插补或自举方法来生成所需的数据,但是我认为这两种方法都不适用。 MI将为不完整案例估算数据,而我想指定有限数量的完整案例并从中推断。同样,假设样本分布近似于总体分布,则引导程序将对数据重新采样。再说一次,我看不到如何指定数量有限的情况才能有效地做到这一点(也许是自举加上置换/改组?)。
无论如何,这里非常感谢您的帮助/建议。还要感谢真正阅读这篇冗长文章的人!
答案 0 :(得分:0)
因此,我的解决方案是修改随机生成的数据,然后使用修改后的数据(可以更好地近似所需的分布)来运行MLR模型。
我创建了两个函数,一个函数重估数字变量,另一个函数重估名义变量。数值重值功能允许用户指定将预测值重新分配的方向,以及是否应应用或排除指定级别的结果变量。下面的功能已根据问题中包含的示例数据进行了测试。
当我返回并运行MLR模型并预测新数据时,对于每种结果,我都会得到不同的概率,从而更符合我的期望。
# redistribute values for specific predictors -----------------------------
# at specific levels of outcome var
####
# define function for numeric var
revalue.nums <- function(data,yvar.name,yvar.level,xvar.name,
direction=1, yvar.level.opposite=FALSE){
# evaluate dir==-1 & oppo==T first, then dir==-1 & oppo==F,
# then dir==1 & oppo==T, finally dir==1 & oppo==F
if (direction==-1 & yvar.level.opposite==TRUE) {
data[[xvar.name]][data[[yvar.name]] != yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]] != yvar.level]), T,
prob = c(seq(from=max(get(xvar.name)),
to=min(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else if (direction==-1 & yvar.level.opposite==FALSE) {
data[[xvar.name]][data[[yvar.name]]==yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]]==yvar.level]), T,
prob = c(seq(from=max(get(xvar.name)),
to=min(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else if (direction==1 & yvar.level.opposite==TRUE) {
data[[xvar.name]][data[[yvar.name]] != yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]] != yvar.level]), T,
prob = c(seq(from=min(get(xvar.name)),
to=max(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else {
data[[xvar.name]][data[[yvar.name]]==yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]]==yvar.level]), T,
prob = c(seq(from=min(get(xvar.name)),
to=max(get(xvar.name))) / sum(get(xvar.name))))
return(data)
}
}
####
# define function
revalue.chars <- function(data,yvar.name,yvar.level,xvar.name,xvar.level,probs=0.25){
data[[xvar.name]][data[[yvar.name]] == yvar.level] <-
sample(sort(sub(xvar.level,'1',get(xvar.name))),
length(data[[xvar.name]][data[[yvar.name]] == yvar.level]), T,
prob = c(probs, rep(probs / (length(get(xvar.name))-1),
rep(length(get(xvar.name))-1))))
data[[xvar.name]][data[[xvar.name]] == '1'] <- xvar.level
return(data)
}
###
# test functions on toy data
table(df$y,df$p) # orig
df1 <- revalue.nums(df,'y','a','p')
table(df1$y,df1$p) # changes y=a only, skew p to have higher values
df1 <- revalue.nums(df1,'y','a','p',yvar.level.opposite = T,direction = -1)
table(df1$y,df1$p) # changes y!=a, skew p to have lower values
table(df$y,df$q)
df2 <- revalue.chars(df,'y','b','q','hello',probs=0.5)
table(df2$y,df2$q) # increase num of q=hello and y=b occurrences