Sağlam Çok Terimli Lojistik Regresyon
Robust Multinomial Logistic Regression · Ayrıca şöyle bilinir: robust polychotomous logistic regression, outlier-resistant multinomial regression, robust nominal logistic regression, M-estimation multinomial logistic regression
Sağlam çok terimli lojistik regresyon, standart çok terimli logit modelini aykırı değerleri, etkili gözlemleri ve yanıt dağılımının hafif yanlış spesifikasyonunu ele alacak şekilde genişletir. Geleneksel maksimum olabilirlik skor denklemlerini sınırlı etki fonksiyonları (M-tahmini) ile değiştirir veya maksimum olabilirlik tahminini "sandwich" varyans tahmin edicileriyle birleştirir, böylece küçük bir orandaki anormal durumlar, çıktı kategorileri arasındaki tahmini log-oran oranlarını bozamaz.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çıktı üç veya daha fazla sıralanmamış nominal kategoriye sahip olduğunda, aykırı değerler veya etkili vakalardan şüphelenildiğinde (örneğin, veri giriş hataları, aşırı kovaryat değerleri) veya çok terimli olabilirlik hafifçe yanlış belirtilmiş olabileceği durumlarda sağlam çok terimli lojistik regresyon kullanın. Dağılımsal varsayımların garanti edilmesinin zor olduğu anket, epidemiyolojik ve sosyal bilim verilerinde özellikle değerlidir. Çıktı sıralı olduğunda (sağlam sıralı lojistik regresyonu tercih edin), veri kümesi çok küçük olduğunda (sağlam ağırlıklar etkin örneklem büyüklüğünü azaltır) veya birçok kategori ve tahmin ediciyle hesaplama maliyeti bir endişe kaynağı olduğunda kullanmayın — temiz, büyük veri kümelerinde tanısal kontrollerle standart çok terimli logit yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Katsayı tahminleri, standart çok terimli logiti yanlı hale getirecek aykırı değerlere ve etkili gözlemlere karşı dirençlidir.
- "Sandwich" standart hataları, hafif dağılımsal yanlış spesifikasyon altında geçerliliğini korur.
- Yorumlanabilirlik, standart çok terimli lojistik regresyonla aynıdır — log-oranlar, oran oranları ve tahmin edilen olasılıklar.
- Hangi gözlemlerin uyarlanmış modelden güçlü bir şekilde saptığını ortaya çıkarabilir, veri kalitesi değerlendirmesine yardımcı olur.
- Tahmin ediciler üzerinde dağılımsal varsayımlar olmaksızın sürekli, kategorik veya karma tahmin edicilere uygulanabilir.
- Özellikle birçok çıktı kategorisi olduğunda, standart çok terimli lojistik regresyondan daha hesaplama yoğundur.
- Etki fonksiyonunun ve ayarlama sabitinin (örneğin, Huber c veya Tukey k) seçimi sonuçları etkiler ve evrensel bir varsayılanı yoktur.
- Veriler gerçekten temiz ve model doğru belirtilmiş olduğunda MLE'ye kıyasla daha düşük istatistiksel güce sahiptir.
- Yazılım desteği, standart çok terimli lojistik regresyona göre daha az yaygındır; özel paketler (örneğin, R'deki robustbase) gereklidir.
- Asimptotik teori, orta derecede büyük örneklemler gerektirir; küçük örneklemlerdeki performansı iyi belirlenmemiştir.
SSS
Bu, standart çok terimli logit ile sadece sağlam standart hatalar kullanmaktan nasıl farklıdır?
Sağlam standart hatalar ("sandwich" tahmin edicisi) yalnızca çıkarımı düzeltir — nokta tahminlerini değiştirmezler. M-tahmini kullanan sağlam çok terimli lojistik regresyon, etkili gözlemlerin ağırlığını azaltarak katsayı tahminlerinin kendilerini de değiştirir, böylece hem yanlı tahminlere hem de geçersiz standart hatalara karşı koruma sağlar.
Hangi yazılım paketleri bu yöntemi uygulamaktadır?
R'de, robustbase paketi, çok terimli modellere uyarlanabilen sağlam GLM'ler için fonksiyonlar sağlar; robust ve robmlm paketleri alternatifler sunar. Bazı Stata kullanıcı katkılı komutlarında özel çok terimli sağlam tahmin ediciler de mevcuttur. Uygulama, standart modellere göre daha az anahtar teslimidir.
Etki fonksiyonu için ayarlama sabitini nasıl seçerim?
Huber ψ fonksiyonu için yaygın bir varsayılan c = 1.345'tir (varsayılan model altında %95 verimlilik sağlar). Tukey bisquare için k = 4.685 standarttır. Bu varsayılanlar makul başlangıç noktalarıdır, ancak duyarlılık analizi — modeli iki veya üç ayarlama değeriyle uyarlamak — iyi bir uygulamadır.
Büyük, temiz bir idari veri setim olduğunda bu yöntemi kullanmalı mıyım?
Muhtemelen birincil analiz olarak değil. Veri kalitesi yüksek ve örneklem büyük olduğunda, uyum sonrası teşhislerle (etki istatistikleri, Cook's D analogları) standart çok terimli lojistik regresyon daha verimlidir. Sağlam tahmini, bilinen kalite sorunları olan veri kümeleri için veya bir duyarlılık kontrolü olarak saklayın.
Çıktıyı hala oran oranları olarak yorumlayabilir miyim?
Evet. Model parametrizasyonu, standart çok terimli lojistik regresyonla aynıdır: üstel katsayılar, her kategoriyi referans kategoriyle karşılaştıran oran oranlarıdır. Tek fark, bu tahminlerin aykırı gözlemlerden gelen ağırlığı azaltılmış katkılara dayanmasıdır.
Kaynaklar
- Cantoni, E., & Ronchetti, E. (2001). Robust inference for generalized linear models. Journal of the American Statistical Association, 96(455), 1022–1030. DOI: 10.1198/016214501753209004 ↗
- Agresti, A. (2002). Categorical Data Analysis (2nd ed.). Wiley-Interscience. ISBN: 978-0471360933
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Multinomial Logistic Regression. ScholarGate. https://scholargate.app/tr/statistics/robust-multinomial-logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- Sıralı Lojistik Regresyonİstatistik↔ karşılaştır
- Sağlam Lojistik Regresyonİstatistik↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır