我想评估逻辑回归模型(mymodel1)中每个预测变量的性能。这些是预测变量的显着性得分,所有值均<.05>
z <- summary(mymodel1)$coefficients/summary(mymodel1)$standard.errors
p <- (1 - pnorm(abs(z), 0, 1)) * 2
p
(Intercept) alpha beta gamma theta
2 0.000000e+00 0.000000e+00 0.000000e+00 0 0
3 0.000000e+00 0.000000e+00 0.000000e+00 0 0
4 2.644718e-05 4.905187e-11 7.112932e-06 0 0
5 0.000000e+00 0.000000e+00 0.000000e+00 0 0
6 0.000000e+00 0.000000e+00 0.000000e+00 0 0
关于这个话题有很多争论;真的很难对一种方法进行投票。不过,我列出了一些用于评估各个预测变量贡献的方法。
绝对值越高,贡献越大。我也看到了以下表格
=标准化Coff的绝对值/总和(所有标准化Coff的绝对值)
卡方值越高,贡献越大。但是,卡方值不能说明任何大小。
您使用单个预测变量进行回归,并将对数似然值(-2LL)与完整模型的对数似然进行比较。
注:这些都是近似值,我没有遇到一种严格的方法来计算预测变量的贡献
为了确定预测变量的性能(也称为特征重要性),您可以考虑将样本中每个预测变量的值改组(本质上是创建随机变量)...
基本上,您刚刚确定了通过“删除”对模型贡献最大信息的变量。]>