详细内容或原文请订阅后点击阅览
探索序数逻辑回归的比例赔率模型
理解和实施Brant在序数逻辑回归中的测试，并用Python帖子探索了序数逻辑回归的比例赔率模型，这首先出现在数据科学方面。
来源:走向数据科学您可以在本文底部找到此示例的完整代码。
赔率模型。该模型将二进制逻辑回归扩展到因变量为顺序的情况[它由有序的分类值组成]。比例的赔率模型建立在几个假设上，包括观测值的独立性，对数odds的线性，预测因子之间缺乏多连接性以及比例的优势假设。最后一个假设指出，回归系数在序数因变量的所有阈值中都是恒定的。确保成比例的赔率假设的成立对于模型的有效性和解释性至关重要。
1980文献中已经提出了多种方法来评估模型拟合，尤其是测试比例赔率假设。在本文中，我们重点介绍了布兰特（Brant）在他的文章《布兰特（Brant）》（Brant，1990）中开发的两种方法，“评估比例赔率模型的序数逻辑回归的比例”。我们还演示了如何在Python中实施这些技术，并将它们应用于现实世界数据。无论您是来自数据科学，机器学习还是统计的背景，本文旨在帮助您了解如何评估符合顺序逻辑回归中的模型。
1990本文分为四个主要部分：
- 第一部分介绍了比例的赔率模型及其假设。第二部分讨论了如何使用似然比测试评估比例的赔率假设。第三部分涵盖了使用单独的fits方法评估比例优势假设的评估。最终部分提供了示例，提供了这些评估方法，说明了这些评估方法与数据中的python中的实施。
1。比例赔率模型的简介
i i1 i2 IP J y ∗ =βᵀ𝐗+ϵ，（2） y ∗ =βᵀ𝐗+ϵ， （2） * t 0 1 q IPJ
y ∗ =βᵀ𝐗+ϵ，（2） y ∗ =βᵀ𝐗+ϵ， （2） * t 0 1q