多重逻辑回归比较多个分类预测因子和多个二元结果

Question

说我有一个数据帧data：

Name      V1      V2      V3
Name 1    0       1       1
Name 1    0       0       1
Name 1    1       1       1
Name 2    1       0       0
Name 2    0       0       1
Name 2    1       1       0
Name 3    1       0       0
Name 3    1       0       1
Name 3    1       1       0

因子Name 1，Name 2和Name 3是分类变量，它们预测V1:V3中列出的二元结果。

我想进行ANOVA或多重逻辑回归，根据data$name中显示的二元结果的分布比较V1:V3中的每个因子，但我不确定如何去做/如何改变我的数据帧以适当地执行分析。已经尝试过Anova()和glm(family=binomial(link="logit")来自data$Name的个别因素，但这并没有产生我正在寻找的比较。我想要执行的分析类型会告诉我，与Name 1和/或V1:V3相比，Name 2是否更有可能对一个或所有响应变量Name 3产生某种结果。

任何帮助，将不胜感激！

Answer 1

听起来像ANOVA在这种情况下是合适的，但逻辑回归应该没问题。您可以对每个结果变量进行逻辑回归：

data$Name <- as.factor(data$Name)
yourmodel <- glm(V1 ~ Name, data=data, family=binomial(link="logit"))

或另一种选择（如评论中所建议）：

yourmodel <- glm(Name ~V1 + V2 +V3, data=data, family=binomial(link="logit"))

...在每种情况下，您都可以通过以下方式获得模型残差，系数等：

summary(yourmodel)

...从中可以提取优势比。