<\/p>\n
Un avviso comune che potresti incontrare in R \u00e8:<\/span><\/p>\n Questo avviso si verifica spesso quando si tenta di adattare un modello di regressione logistica in R e si vede la separazione perfetta<\/strong> , ovvero una variabile predittrice \u00e8 in grado di separare perfettamente la variabile di risposta in 0 e in 1.<\/span><\/p>\n L’esempio seguente mostra come gestire questo avviso nella pratica.<\/span><\/p>\n Supponiamo di voler adattare il seguente modello di regressione logistica in R:<\/span><\/p>\n Tieni presente che riceviamo il messaggio di avviso: glm.fit: algoritmo non converge<\/strong> .<\/span><\/p>\n Riceviamo questo messaggio perch\u00e9 la variabile predittrice x \u00e8 in grado di separare perfettamente la variabile di risposta y in 0 e 1.<\/span><\/p>\n Nota che per ogni valore x inferiore a 1, y \u00e8 uguale a 0. E per ogni valore x uguale o maggiore di 1, y \u00e8 uguale a 1.<\/span><\/p>\n Il codice seguente mostra uno scenario in cui la variabile predittore non \u00e8 in grado di separare perfettamente la variabile di risposta in 0 e 1:<\/span><\/p>\n Non riceviamo alcun messaggio di avviso perch\u00e9 la variabile predittore non \u00e8 in grado di separare perfettamente la variabile di risposta in 0 e 1.<\/span><\/p>\n Se incontriamo uno scenario di separazione perfetta, ci sono due modi per gestirlo:<\/span><\/p>\n Metodo 1: utilizzare la regressione penalizzata.<\/strong><\/span><\/p>\n Un’opzione \u00e8 quella di utilizzare una forma di regressione logistica penalizzata come la regressione logistica lazo o la regolarizzazione della rete elastica.<\/span><\/p>\n Fare riferimento al pacchetto glmnet<\/a> per le opzioni su come implementare la regressione logistica penalizzata in R.<\/span><\/p>\n Metodo 2: utilizzare la variabile predittore per prevedere perfettamente la variabile di risposta.<\/strong><\/span><\/p>\n Se sospetti che questa separazione perfetta possa esistere nella popolazione, puoi semplicemente utilizzare questa variabile predittrice per prevedere perfettamente il valore della variabile di risposta.<\/span><\/p>\n Ad esempio, nello scenario precedente, abbiamo visto che la variabile di risposta y<\/strong> era sempre uguale a 0 quando la variabile predittrice x<\/strong> era inferiore a 1.<\/span><\/p>\n Se sospettiamo che questa relazione valga nella popolazione complessiva, possiamo sempre prevedere che il valore di y<\/strong> sar\u00e0 0 quando x<\/strong> \u00e8 inferiore a 1 e non preoccuparci di adattare un modello di regressione logistica penalizzato.<\/span><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive sull’utilizzo della funzione glm()<\/strong> in R:<\/span><\/p>\n La differenza tra glm e lm in R<\/a> Un avviso comune che potresti incontrare in R \u00e8: glm.fit: algorithm did not converge Questo avviso si verifica spesso quando si tenta di adattare un modello di regressione logistica in R e si vede la separazione perfetta , ovvero una variabile predittrice \u00e8 in grado di separare perfettamente la variabile di risposta in 0 e […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n glm.fit: algorithm did not converge\n<\/strong><\/span><\/pre>\n Come riprodurre l’avviso<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#attempt to fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept)x \n -409.1 431.1 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.19 \nResidual Deviance: 2.468e-09 AIC: 4\nWarning messages:\n1: glm.fit: algorithm did not converge \n2: glm.fit: fitted probabilities numerically 0 or 1 occurred \n<\/span><\/span><\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (x=c(.1, .2, .3, .4, .5, .6, .7, .8, .9, 1, 1, 1.1, 1.3, 1.5, 1.7),\n y=c(0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1))\n\n#fit logistic regression model\n<\/span>glm(y~x, data=df, family=\" binomial<\/span> \")\n\nCall: glm(formula = y ~ x, family = \"binomial\", data = df)\n\nCoefficients:\n(Intercept) x \n -2.112 2.886 \n\nDegrees of Freedom: 14 Total (ie Null); 13 Residual\nNull Deviance: 20.73 \nResidual Deviance: 16.31 AIC: 20.31\n<\/span><\/span><\/strong><\/pre>\n Come gestire l’avviso<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come utilizzare la funzione di previsione con glm in R<\/a>
Come gestire: glm.fit: si sono verificate probabilit\u00e0 corrette numericamente 0 o 1<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"