p********1
发帖数: 1011 | 1 一共6个independent variables。从这个output上看，哪些variables是好的
predictors?
开始的那些note“!= 0 predicts failure perfectly”
是什么意思？ 怎么解决？
logistic y i.var1 i.var2 i.var3 i.expect i.pwar i.open
note: 1.var1 != 0 predicts failure perfectly
1.var1 dropped and 14539 obs not used
note: 2.var1 != 0 predicts failure perfectly
2.var1 dropped and 4903 obs not used
note: 4.var2 != 0 predicts failure perfectly
4.var2 dropped and 96 obs not used
note: 4.var3 != 0 predicts failure perfectly
4.var3 dropped and 235 obs not used
note: 5.var1 omitted because of collinearity
Logistic regression Number of obs = 28997
LR chi2(11) = 59.25
Prob > chi2 = 0.0000
Log likelihood = -1125.0894 Pseudo R2 = 0.0257
------------------------------------------------------------
y | Odds Ratio P>|z| [95% Conf. Interval]
-------------+----------------------------------------------
var1 |
1 | 1 (empty)
2 | 1 (empty)
3 | 8.325762 0.081 .7696349 90.0665
4 | 1.766659 0.595 .2168463 14.39307
5 | 1 (omitted)
|
var2 |
2 | .1553978 0.032 .0282502 .8548058
3 | 1.110723 0.673 .6820567 1.808801
4 | 1 (empty)
5 | 1.190851 0.833 .2353377 6.025916
|
var3 |
2 | 6.190578 0.023 1.287397 29.768
3 | .9674644 0.836 .7076692 1.322634
4 | 1 (empty)
5 | 18.59003 0.000 3.944853 87.60513
|
1.expect | 1.710305 0.001 1.255682 2.329524
1.pwar | .7200235 0.039 .5271828 .9834044
1.open | .9907067 0.959 .694594 1.413055
_cons | .0009225 0.000 .0000842 .0101118
----------------------------------------------------------- |
D*G
发帖数: 471 | 2 哇 我又来赚包子了。
前面那个是说var1和你的response variable完全相关。 Var1>0的时候response一直都
是0。 Google “complete separation”。 var1应该扔掉。
后面太乱了 没法看。
【在 p********1 的大作中提到】
: 一共6个independent variables。从这个output上看，哪些variables是好的
: predictors?
: 开始的那些note“!= 0 predicts failure perfectly”
: 是什么意思？ 怎么解决？
: logistic y i.var1 i.var2 i.var3 i.expect i.pwar i.open
: note: 1.var1 != 0 predicts failure perfectly
: 1.var1 dropped and 14539 obs not used
: note: 2.var1 != 0 predicts failure perfectly
: 2.var1 dropped and 4903 obs not used
: note: 4.var2 != 0 predicts failure perfectly
|
p********1
发帖数: 1011 | 3 又是你啊，谢谢！ 我重新复制了一遍表格，把standard error和z两栏删了，就剩下
odds ratio, p, confidence interval了。（不过之前的table还在底下删不掉）。
能帮我看看这个table，哪些variables是predictors?
为什么？（看哪个参数得出的结论？）
【在 D*G 的大作中提到】
: 哇 我又来赚包子了。
: 前面那个是说var1和你的response variable完全相关。 Var1>0的时候response一直都
: 是0。 Google “complete separation”。 var1应该扔掉。
: 后面太乱了 没法看。
|
p********1
发帖数: 1011 | 4 Logistic regression Number of obs = 28997
LR chi2(11) = 59.25
Prob > chi2 = 0.0000
Log likelihood = -1125.0894 Pseudo R2 = 0.0257
------------------------------------------------------------
y | Odds Ratio P>|z| [95% Conf. Interval]
-------------+----------------------------------------------
var1 |
1 | 1 (empty)
2 | 1 (empty)
3 | 8.325762 0.081 .7696349 90.0665
4 | 1.766659 0.595 .2168463 14.39307
5 | 1 (omitted)
|
var2 |
2 | .1553978 0.032 .0282502 .8548058
3 | 1.110723 0.673 .6820567 1.808801
4 | 1 (empty)
5 | 1.190851 0.833 .2353377 6.025916
|
var3 |
2 | 6.190578 0.023 1.287397 29.768
3 | .9674644 0.836 .7076692 1.322634
4 | 1 (empty)
5 | 18.59003 0.000 3.944853 87.60513
|
1.expect | 1.710305 0.001 1.255682 2.329524
1.pwar | .7200235 0.039 .5271828 .9834044
1.open | .9907067 0.959 .694594 1.413055
_cons | .0009225 0.000 .0000842 .0101118
----------------------------------------------------------- |
D*G
发帖数: 471 | 5 不太熟悉spss的output。。 我觉得你需要先解决complete separation的问题再看结果。 |
p********1
发帖数: 1011 | 6 这是stata的output，不是spss的。
我的问题还是：当sample size大的时候，到底是看哪个参数：odds ratio, p,
confidence interval？
分别怎么看（eg. cutoff)？
果。
【在 D*G 的大作中提到】
: 不太熟悉spss的output。。 我觉得你需要先解决complete separation的问题再看结果。
|
D*G
发帖数: 471 | 7 我觉得固定的strategy是看每个variable的overall p-value。 剩下的都是具体问题具
体分析。
如果你有太多var都significant，就有可能是sample size太大，导致很小的差异也被
detect到了。如果你的model不关
心很小的差异，这时候你就可以考虑只留下category之间差异比较明显的variable，也
就是OR比较大的。
可以把简化的model和未简化的model用 likelihood ratio test来比较。 如果差异不
大，就可以用简化的model。
你再听听其他人意见吧， 这是我知道的，说不定其他人意见不一样。
【在 p********1 的大作中提到】
: 这是stata的output，不是spss的。
: 我的问题还是：当sample size大的时候，到底是看哪个参数：odds ratio, p,
: confidence interval？
: 分别怎么看（eg. cutoff)？
:
: 果。
|
y*****w
发帖数: 1350 | 8 "可以把简化的model和未简化的model用 likelihood ratio test来比较。 如果差异不
大，就可以用简化的model。"
--- How to define "差异不大"? Do those likelihood ratio tests have to
strictly follow the Chi-Square probabilities? For example, if a likelihood
ratio test has a p-value of 0.045, should the full model still be applied?
【在 D*G 的大作中提到】
: 我觉得固定的strategy是看每个variable的overall p-value。 剩下的都是具体问题具
: 体分析。
: 如果你有太多var都significant，就有可能是sample size太大，导致很小的差异也被
: detect到了。如果你的model不关
: 心很小的差异，这时候你就可以考虑只留下category之间差异比较明显的variable，也
: 就是OR比较大的。
: 可以把简化的model和未简化的model用 likelihood ratio test来比较。 如果差异不
: 大，就可以用简化的model。
: 你再听听其他人意见吧， 这是我知道的，说不定其他人意见不一样。
|
p********1
发帖数: 1011 | 9 谢谢回复。包子已发！
【在 D*G 的大作中提到】
: 我觉得固定的strategy是看每个variable的overall p-value。 剩下的都是具体问题具
: 体分析。
: 如果你有太多var都significant，就有可能是sample size太大，导致很小的差异也被
: detect到了。如果你的model不关
: 心很小的差异，这时候你就可以考虑只留下category之间差异比较明显的variable，也
: 就是OR比较大的。
: 可以把简化的model和未简化的model用 likelihood ratio test来比较。 如果差异不
: 大，就可以用简化的model。
: 你再听听其他人意见吧， 这是我知道的，说不定其他人意见不一样。
|
