Logistic Regression Diagnostics
Logistic 回归诊断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用 Logistic 回归诊断，未明确出现经济主体的离散选择建模。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Logistic 回归诊断
- 研究问题
- 如何识别异常响应及设计空间中的极端观测，并量化这些观测对 Logistic 回归最大似然拟合各方面的影响？
- 方法与思路
- 作者利用常规拟合输出中的参数估计、标准误和残差等信息构造诊断量，用于发现异常观测并评估其影响。
- 材料陈述的贡献
- 摘要称诊断量可依托通常的最大似然拟合输出获得，在适当设计的软件中附加计算成本较低，便于开展数据分析。
- 阅读关注点
- 应核对各诊断量的定义、近似方式、异常与影响的区别，以及哪些输出和软件功能足以支持所述低成本计算。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断诊断阈值、有限样本表现或处理异常观测的策略，也不能保证所有软件均能直接实现。
原文摘要
A maximum likelihood fit of a logistic regression model (and other similar models) is extremely sensitive to outlying responses and extreme points in the design space. We develop diagnostic measures to aid the analyst in detecting such observations and in quantifying their effect on various aspects of the maximum likelihood fit. The elements of the fitting process which constitute the usual output (parameter estimates, standard errors, residuals, etc.) will be used for this purpose. With a properly designed computing package for fitting the usual maximum-likelihood model, the diagnostics are essentially "free for the asking." In particular, good data analysis for logistic regression models need not be expensive or time-consuming.