Regression logistique multinomiale

Bonjour,

ma variable à expliquer est Y qui prend les valeurs 0 , 1 ou 2 , c'est une variable qualitative nominale non ordonnée , je voudrais faire une régression logistique multinomiale de Y en fonction des 3 variables , est ce que je dois transformer ma variables Y en variable qualitative binaire?

Merci d'avance pour vos réponses qui m'aideraient beaucoup.

Bonjour,

En binarisant ça ne sera plus une régression logistique multinomiale mais une régression logistique classique, les deux existent. En binarisant il y a risque de perte d'information (perte de puissance stat en conséquence), donc tant qu'à faire autant faire une régression logistique multinomiale.

Merci Ayana ,

Est il préférable d'utiliser la commande glm ?

r <- glm(Y~X1+X2+X3, family=binomial)
summary(r)

Glm dans ce cas sert à faire de la régression logistique classique. Pour la multinomiale, il faut utiliser la fonction mlogit qui fait partie du package globaltest! Voilà un lien pour le détail de cette fonction :

http://rss.acs.unt.edu/Rdoc/library/globaltest/html/mlogit.html

Est ce qu'on peut utiliser le Package mlogit car je n'arrives pas à installer le Package globaltest ?

Pour ce genre de question dans R tape :

Code:


RSiteSearch("multinomial regression")

et tu auras plein de possibilités dans différents packages.

Nik

Merci Nik ,
J'ai essayé avec la fonction mlogit j’ai écrit ces syntaxes :

Structures<-as.factor(Structures)
Classreg <-mlogit.data(calib, varying=NULL, choice="Structures", shape="wide")
mlogit.model<- mlogit(Structures~Ep+Profc+Slope,data=calib)

mais cela ne marche pas. j'ai le message d'erreur suivant:
[Erreur dans `row.names<-.data.frame`(`*tmp*`, value = character(0)) :
invalid 'row.names' length"]

Pouvez-vous m’indiquer l’erreur ou les bonnes syntaxes.
Merci d’avance

Echatillon des données

Ep Alt Curve Planc Profc Slope Structures
1 0.22 72.44 -0.04 0.01 0.06 6.63 0
2 0.22 69.46 -0.03 -0.05 -0.01 6.13 0
3 0.25 72.89 0.20 0.03 -0.17 6.51 0
4 0.25 72.68 0.79 0.10 -0.69 5.63 0
5 0.25 72.38 0.50 -0.19 -0.70 4.83 0