Çok Değişkenli Lojistik Regresyon
Multinomial Logistic Regression · Ayrıca şöyle bilinir: multinomial logistic regression, polytomous logistic regression, softmax regression, Çok Kategorili Lojistik Regresyon
Çok değişkenli lojistik regresyon, ikiden fazla kategoriye sahip nominal (sırasız) bir bağımlı değişken için kullanılan bir maksimum olabilirlik yöntemidir. McFadden'ın 1974'teki nitel seçim modellemesi üzerine yaptığı çalışmalardan yola çıkarak, her kategoriye bir referans kategoriye göre kendi katsayı kümesini atar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Bağımlı değişkenin üç veya daha fazla sırasız kategoriye sahip nominal olduğu ve bir veya daha fazla öngörücüden kategori üyeliğini modellemek veya tahmin etmek istediğinizde çok değişkenli logit kullanın. Kategorilerin gerçekten sırasız olduğunu, ilgisiz alternatiflerin bağımsızlığı (IIA) varsayımının geçerli olduğunu ve her kategorinin yeterli gözleme sahip olduğunu varsayar (bir kural olarak, öngörücü başına en az on olay). Başlangıç noktası olarak kabaca 100 veya daha fazla gözlemle makul bir örneklem gereklidir. Kategorilerin doğal bir sırası varsa, sıralı bir logit daha uygundur.
Güçlü yönler & sınırlılıklar
- Tek, tutarlı bir maksimum olabilirlik modelinde ikiden fazla kategoriye sahip nominal bir sonucu ele alır.
- Yorumlanabilir kategori başına katsayılar ve referans kategoriye karşı göreceli risk (olasılık) oranları üretir.
- Her gözlem için tüm kategoriler üzerinde tam bir olasılık dağılımı tahmin eder.
- Bazı kategoriler yakın ikameler olduğunda başarısız olabilen ilgisiz alternatiflerin bağımsızlığı (IIA) varsayımına dayanır.
- Her kategoride yeterli gözleme sahip büyük bir örneklem gerektirir - seyrek kategoriler tahminleri kararsız hale getirir.
- Kategorileri sırasız olarak ele alır, bu nedenle herhangi bir doğal sıralamayı göz ardı eder ve sıralı sonuçlar için uygun değildir.
SSS
Çok değişkenli logit, sıradan lojistik regresyondan nasıl farklıdır?
Sıradan lojistik regresyon iki kategoriye sahip ikili bir sonucu ele alırken, çok değişkenli lojistik regresyon, her referans olmayan kategori için ayrı bir katsayı kümesi tahmin ederek aynı fikri üç veya daha fazla sırasız kategoriye sahip nominal bir sonuca genişletir.
İlgisiz alternatiflerin bağımsızlığı (IIA) varsayımı nedir?
IIA, herhangi iki kategori arasındaki göreceli olasılıkların mevcut diğer kategorilere bağlı olmadığını belirtir. Bazı kategoriler yakın ikameler olduğunda başarısız olabilir, bu durumda karşılaştırmalar yanlı olabilir ve alternatif bir model gerekebilir.
Referans kategori nedir ve katsayıları nasıl okurum?
Bir kategori referans olarak sabitlenir ve katsayıları sıfıra ayarlanır. Kalan her katsayı, o referansa karşı kendi kategorisinin log-olasılıklarını tanımlar; üssünü almak göreceli risk (olasılık) oranını verir.
Ne zaman sıralı logit kullanmalıyım?
Sonuç kategorilerinin doğal bir sırası varsa - örneğin Likert ölçeği veya düşük-orta-yüksek derecelendirme - sıralı bir logit bu sıralamayı kullanır ve kategorileri sırasız olarak ele almaktan genellikle daha verimlidir.
Kaynaklar
- McFadden, D. (1974). Conditional Logit Analysis of Qualitative Choice Behavior. In P. Zarembka (Ed.), Frontiers in Econometrics (pp. 105-142). Academic Press. ISBN: 978-0127761503
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Multinomial Logistic Regression. ScholarGate. https://scholargate.app/tr/econometrics/multinomial-logit
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Negatif Binominal RegresyonEkonometri↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Sıralı Lojistik Regresyon (Sıralı Logit/Probit)Ekonometri↔ karşılaştır
- Poisson ve Negatif Binom RegresyonuEkonometri↔ karşılaştır