R中的多元逻辑回归答案

【问题标题】：multivariate logistic regression in RR中的多元逻辑回归
【发布时间】：2017-07-30 18:21:26
【问题描述】：

我想运行一个简单的多元逻辑回归。我在下面用二进制数据做了一个例子来讨论一个例子。

多元回归 = 尝试预测 2+ 个结果变量

> y = matrix(c(0,0,0,1,1,1,1,1,1,0,0,0), nrow=6,ncol=2)

> x = matrix(c(1,0,0,0,0,0,1,1,0,0,0,0,1,1,1,0,0,0,1,1,1,1,0,0,1,1,1,1,1,0,1,1,1,1,1,1), nrow=6,ncol=6)
> x
     [,1] [,2] [,3] [,4] [,5] [,6]
[1,]    1    1    1    1    1    1
[2,]    0    1    1    1    1    1
[3,]    0    0    1    1    1    1
[4,]    0    0    0    1    1    1
[5,]    0    0    0    0    1    1
[6,]    0    0    0    0    0    1
> y
     [,1] [,2]
[1,]    0    1
[2,]    0    1
[3,]    0    1
[4,]    1    0
[5,]    1    0
[6,]    1    0

因此，变量“x”有 6 个样本，每个样本有 6 个属性。变量“y”对 6 个样本中的每一个都有 2 个预测。我特别想处理二进制数据。

> fit = glm(y~x-1, family = binomial(logit))

我做“-1”来消除截距系数。其他一切都是多变量情况下的标准逻辑回归。

> fit

Call:  glm(formula = y ~ x - 1, family = binomial(logit))

Coefficients:
 data1   data2   data3   data4   data5   data6  
  0.00    0.00  -49.13    0.00    0.00   24.57  

Degrees of Freedom: 6 Total (i.e. Null);  0 Residual
Null Deviance:      8.318 
Residual Deviance: 2.572e-10    AIC: 12

此时情况开始有所好转。我不确定为什么数据 3 和 6 的互联网是这样的。

val <- predict(fit,data.frame(c(1,1,1,1,1,1)), type = "response")

> val
       1            2            3            4            5            6 
2.143345e-11 2.143345e-11 2.143345e-11 1.000000e+00 1.000000e+00 1.000000e+00

逻辑上我做错了什么。我期待一个 1x2 矩阵，而不是 1x6。我想要一个矩阵，它告诉我数据帧向量在 y1 和 y2 中为“1”（真）的概率。

任何帮助将不胜感激。

注意：我根据马里奥的回复更新了问题的结尾。

【问题讨论】：

标签： r regression logistic-regression multivariate-testing

【解决方案1】：

参数 newdata 需要是一个 data.frame。你可以这样做：

aux <- data.frame(c(1,1,1,1,1,1))
val <- predict(fit, aux, type = "response")

【讨论】：

首先，你说得对，我需要在“预测”函数中输入一个数据框类型的对象。其次，“val”的输出值是一个1x6的矩阵。我试图得到一个 1x2 矩阵，它告诉我向量 [1,1,1,1,1,1] 在 y1 和 y2 中为“1”（真）的概率。
是否可以创建一个模型，目标是 y1，其他目标是 y2 并连接输出？
我明白你在说什么。我认为多元逻辑回归会发现因变量之间存在某种相关因素，如果您有 50-100 个因变量，则连接输出的运行时间会更长。

【解决方案2】：

与lm，glm不适用于多变量响应变量。作为解决方法，您可以适合多个GLM：

fit1 <- glm(y[,1] ~ x-1, family=binomial(logit))
fit2 <- glm(y[,2] ~ x-1, family=binomial(logit))

或者您可以使用glmer从 lme4 em>包，这意味着模拟混合模型，但您可以简单地省略“随机效果”。 AFAIK，glmer支持多变量响应。

【讨论】：