Lojistik Regresyon - Çoklu Doğrusal Sorunlar / Tuzaklar

Lojistik Regresyonda, doğrudan OLS regresyonunda olduğu gibi çoklu doğrusallık konusunda endişelenmeye ihtiyaç var mı?

Örneğin, çoklu doğrusallığın bulunduğu lojistik regresyon ile, Beta katsayılarından çıkarım konusunda dikkatli olmanız gerekir (OLS regresyonunda olduğu gibi)?

OLS regresyonu için yüksek çoklu bağlantıya yönelik bir "düzeltme" sırt regresyonudur, lojistik regresyon için böyle bir şey var mı? Ayrıca, değişkenleri bırakmak veya değişkenleri birleştirmek.

Lojistik regresyonda çoklu doğrusallığın etkilerini azaltmak için hangi yaklaşımlar mantıklıdır? Aslında OLS ile aynı mıdır?

(Not: Bu, tasarlanmış bir deneyin amacı değildir)

Çoklu doğrusallık ile ilgili prensiplerin tümü lojistik regresyon için OLS'de olduğu gibi geçerlidir. Çoklu doğrusallığı değerlendiren aynı teşhis kullanılabilir (örn. VIF, durum numarası, yardımcı regresyonlar) ve aynı boyut küçültme teknikleri kullanılabilir (değişkenlerin temel bileşenler analizi yoluyla birleştirilmesi gibi).

Chl tarafından verilen bu cevap , cezalandırılmış lojistik modellerin takılması için bazı kaynaklara ve R paketlerine (ayrıca bu tür cezalandırılmış regresyon prosedürleri hakkında iyi bir tartışma) yol açacaktır. Ancak çoklu bağlantı için "çözümler" hakkındaki yorumlarınızdan bazıları benim için biraz rahatsız edici. Yalnızca, eş zamanlı olmayan değişkenler için ilişkileri tahmin etmeyi önemsiyorsanız, bu "çözümler" iyi olabilir, ancak bu tekniklerle eşlenen değişkenlerin katsayılarını tahmin etmekle ilgileniyorsanız sorununuzu çözmezsiniz. Çoklu doğrusallık sorunu, öngörücü değişkenler matrisinizin tersine çevrilememesi nedeniyle teknik olmasına rağmen, öngörücülerinizin bağımsız olmaması ve etkilerinin benzersiz bir şekilde tanımlanamaması nedeniyle mantıklı bir analogu vardır.