我可以/应该使用对数线性模型的输出作为逻辑回归模型中的预测变量吗？答案

【问题标题】：Can/Should I use the output of a log-linear model as the predictors in a logistic regression model?我可以/应该使用对数线性模型的输出作为逻辑回归模型中的预测变量吗？
【发布时间】：2015-02-21 00:06:21
【问题描述】：

我有一个包含连续变量和分类变量的数据集。最后我想建立一个逻辑回归模型来计算响应二分变量的概率。

将对数线性模型应用于模型中的分类变量以测试它们的相互作用，然后将指示的相互作用用作逻辑模型中的预测变量，是否可以接受，甚至是一个好主意？

R 中的示例：

df 中的列：CategoricalA、CategoricalB、CategoricalC、CategoricalD、CategoricalE、ContinuousA、ContinuousB、ResponseA

library(MASS)

#Isolate categorical variables in new data frame
catdf <- df[,c("CategoricalA","CategoricalB","CategoricalC", "CategoricalD", "CategoricalE")]

#Create cross table
crosstable <- table(catdf)

#build log-lin model
model <- loglm(formula = ~ CategoricalA * CategoricalB * CategoricalC * CategoricalD * CategoricalE, data = crosstable)

#Use step() to build better model
automodel <- step(object = model, direction = "backward")

然后使用automodel的输出以及ContinuousA和ContinuousB的值构建逻辑回归，以预测ResponseA（二进制）。

我的预感是这样不好，但我无法以一种或另一种方式明确地找到答案。

【问题讨论】：

可能 stats.stackexchange.com 是解决这个问题的更好论坛。
同意罗伯特的观点，但要补充一点，这两个模型都是在对数尺度上估计的，并且应该就“重要性”提供类似的答案。正如 MASS 文档中所指出的，您可以使用普通的 glm 来构建对数线性模型，然后使用 predict.glm 在一个框架内完成所有工作。

标签： r statistics regression logistic-regression

【解决方案1】：

简短的回答：是的。您可以使用模型中的任何信息，这些信息将在模型的超时或“生产”运行中可用。这些信息是否良好、强大、重要等是一个不同的问题。逻辑是模型可以有任何类型的 RHS 变量，可以是分类的、连续的、逻辑的等。此外，您可以组合 RHS 变量来创建一个 RHS 变量并应用转换。分类的对数线性模型通过原始变量（恰好是分类的）的变换线性组合什么都不是。这种方法不会违反任何特定的建模框架。

【讨论】：