명목형 및 순서형 로지스틱 분석법 개요
로지스틱 회귀는 범주형 Y 반응 변수 수준의 확률을 하나 이상의 X 효과에 대한 함수로 모델링합니다. 모형 적합 플랫폼은 로지스틱 회귀 모형 적합을 위한 두 가지 분석법을 제공합니다. 사용하는 분석법은 반응 열의 모델링 유형(명목형 또는 순서형)에 따라 달라집니다.
로지스틱 회귀 모형 적합에 대한 자세한 내용은 Walker and Duncan 연구 자료(1967), Nelson 연구 자료(1976), Harrell 연구 자료(1986) 및 McCullagh and Nelder 연구 자료(1989)에서 확인하십시오.
로지스틱 회귀 모형의 파라미터화에 대한 자세한 내용은 로지스틱 회귀 모형에 대한 통계 상세 정보에서 확인하십시오.
명목형 로지스틱 회귀 정보
반응 변수의 모델링 유형이 명목형이면 플랫폼에서 최대 가능도를 사용하여 선형 모형을 다수준 로지스틱 반응 함수에 적합시킵니다. 따라서 하나를 제외한 모든 반응 수준은 X 효과의 값이 주어졌을 때 반응 수준의 확률을 나타내는 로지스틱 곡선으로 모델링됩니다. 최종 반응 수준의 확률은 1에서 다른 적합 확률의 합을 뺀 값입니다. 결과적으로 X 효과의 모든 값에서 반응 수준에 대한 적합 확률의 합은 1입니다.
반응 변수가 이항인 경우 모형 적합 창에서 목표 수준을 설정하여 확률을 모델링할 수준을 지정할 수 있습니다. 기본적으로 모형은 반응 변수의 상위 수준 확률을 추정합니다.
명목형 반응 변수의 모형 적합에 대한 자세한 내용은 명목형 반응에서 확인하십시오.
순서형 로지스틱 회귀 정보
반응 변수의 모델링 유형이 순서형이면 플랫폼에서 최대 가능도를 사용하여 누적 반응 확률을 선형 모형의 로지스틱 함수에 적합시킵니다. 각 반응 수준과 같은 수준 또는 그 아래 수준의 반응이 나타날 누적 확률은 곡선으로 모델링됩니다. 이 곡선들은 오른쪽 또는 왼쪽으로 이동된다는 점만 제외하고는 각 수준마다 동일합니다.
팁: 반응 수준이 많은 경우 순서형 모형이 명목형 모형보다 적합 속도가 훨씬 빠르고 메모리를 적게 사용합니다.
순서형 반응 변수가 있는 모형의 적합에 대한 자세한 내용은 순서형 반응에서 확인하십시오.
로지스틱 회귀 모형을 적합시키는 기타 JMP 플랫폼
JMP에서는 다음과 같은 다양한 방법을 사용하여 로지스틱 회귀 모형을 적합시킬 수 있습니다.
• 연속형 주효과 하나만 있는 로지스틱 회귀 모형을 적합시키려면 X로 Y 적합 플랫폼을 사용하여 각 효과에 대한 누적 로지스틱 확률도를 표시할 수 있습니다. 자세한 내용은 기본 분석의 로지스틱 분석에서 확인하십시오.
• 로지스틱 회귀 모형에서 변수 선택을 수행하려면 모형 적합 플랫폼의 단계별 분석법을 사용할 수 있습니다. 자세한 내용은 단계별 회귀 모형에서 확인하십시오.
• 로짓 연결 이외의 연결 함수를 사용하는 로지스틱 회귀 모형을 적합시키려면 모형 적합 플랫폼의 일반화 선형 모형 분석법을 사용할 수 있습니다. 자세한 내용은 일반화 선형 모형에서 확인하십시오.
• 
로지스틱 회귀 모형에서 변수 선택을 수행하고 벌점 로지스틱 회귀 모형을 적합시키려면 모형 적합 플랫폼의 일반화 회귀 분석법을 사용할 수 있습니다. 자세한 내용은 일반화 회귀 모형에서 확인하십시오.