聚合二项回归生成预测的正确方法及模型准确性评估咨询
聚合二项回归预测生成方法的正确性判定
核心结论
你当前使用的预测生成逻辑 完全正确,符合聚合二项回归模型的数学定义与应用规则。
逻辑合理性说明
聚合二项回归的建模本质是:针对每组包含n次独立伯努利试验的观测,预测单次试验的成功概率p,对应组内的成功次数数学期望自然为 n*p。
结合你的应用场景:
- 每组的总试验次数n固定为6,对应每名来访者最多可参与的咨询次数
- 调用
predict(aggBinMod, type = "response")输出的结果,正是每个样本对应的单次伯努利试验成功概率p,也就是单次咨询被来访者参加的预测概率 - 将p乘以总试验次数6,得到的就是模型预测的该来访者参加咨询次数的期望值,和实际观测的
numCouns(实际参与次数)量纲完全一致,直接用于计算MSE评估模型准确性是合理的。
注意事项
- 模型输出的预测值是咨询次数的连续型期望值,不是精确的整数次预测。如果需要整数形式的分类预测结果,可以对期望值做四舍五入,但计算MSE时使用连续期望值的解释性更强,不需要额外取整。
- R中使用
cbind(成功数, 失败数)的写法拟合聚合二项模型时,glm()函数不会自动输出对应组的期望成功次数,必须手动将预测的单次概率乘以对应组的总试验次数——这一步和你自己的操作完全一致,没有逻辑偏差。 - 当不同样本的最大可参与次数n不固定时,只需要将每个样本的预测概率乘以自身对应的n值即可,不需要调整模型结构。
逻辑一致性验证代码
可以通过手动计算验证模型输出的匹配性:
# 手动计算第一个样本的预测概率与期望次数 linear_pred <- -1.157570 + 19 * 0.035975 + 3.5 * 0.075838 p <- plogis(linear_pred) # 结果与predict输出的0.4480346完全一致 expected_couns <- p * 6 # 结果与你计算的2.688208完全匹配
内容的提问来源于stack exchange,提问作者llewmills
相关产品推荐
相关产品推荐

