名目邏輯迴歸
名目邏輯迴歸是一種統計工具,用於分析一個或多個預測變數與具有三個或更多無序類別(例如劃痕、凹痕或撕裂)的分類反應變數之間的關係。它根據預測變數的取值預測每個類別出現的機率。
最後審閱
核心要點
名目邏輯迴歸是一種統計工具,用於分析一個或多個預測變數與具有三個或更多無序類別的分類反應變數之間的關係。
什麼是名目邏輯迴歸?
名目邏輯迴歸是一種統計工具,用於分析一個或多個預測變數與 具有三個或更多無序類別的分類反應變數(例如劃痕、凹痕或撕裂)之間的關係。它根據預測變數的取值預測每個類別出現的機率。
何時使用名目邏輯迴歸?
預測變數
- 預測變數可以是 連續變數、分類變數,或兩者的混合
- 離散變數可根據水準數和分析目的,按連續變數或分類變數處理
- 只有一個連續預測變數且反應為連續變數時,請使用 配適線圖
- 有多個預測變數且反應為連續變數時,請使用 配適迴歸模型
反應變數
- 反應必須具有 三個或更多沒有自然順序的類別(例如顏色、材料類型、缺陷類型)
- 如果反應為 連續變數,請使用 配適迴歸模型
- 如果反應有 兩個類別(合格/不合格),請使用 二元邏輯迴歸
- 如果反應有 有序類別(低/中/高),請使用 有序邏輯迴歸
正確使用名目邏輯迴歸的指南
- 反應變數必須有 三個或更多無序類別;如果類別有自然順序,請改用有序邏輯迴歸。
- 預測變數可以是 連續變數或分類變數;執行分析前,請確保每個變數的類型劃分正確。
- 確保資料 準確代表目標母體;有偏或不完整的資料會導致不可靠的預測。
- 為每個類別收集 足夠的資料點 ——任何類別的觀測值過少,都會使模型不穩定,預測結果不可信。
- 儘可能 準確地量測所有變數;輸入資料的誤差會直接降低預測機率的準確性。
- 按資料 收集的順序 記錄資料,有助於發現可能影響結果的隨時間變化的規律。
- 配適後,使用 適合度統計量和殘差診斷驗證模型;配適不佳的模型會產生誤導性的類別預測。
- 檢查 沒有類別的觀測值過少 ——罕見類別會降低模型的可靠度,並可能導致估計問題。
替代方法:何時不宜使用名目邏輯迴歸
- 如果反應變數為 連續變數,請改用 配適迴歸模型。
- 如果 只有一個連續預測變數 且反應為連續變數,請改用 配適線圖。
- 如果反應有 兩個類別(例如合格/不合格),請改用 二元邏輯迴歸。
- 如果反應類別具有 自然順序(例如低/中/高),請改用 有序邏輯迴歸。
- 如果只有 一個分類預測變數 且反應為連續變數,請改用 單因子變異數分析。
名目邏輯迴歸範例
為評估不同教學方法的效果,一名學校管理人員收集了 30 名學生的資料,記錄每名學生最喜歡的科目及其班級所採用的教學方法。由於反應變數——科目偏好(數學、科學或語文)——是沒有內在順序的分類變數,管理人員採用名目邏輯迴歸。該分析有助於探究學生年齡(10 至 13 歲)和教學方法類型(示範或講解)與其科目偏好之間的關聯。步驟如下:
- 收集所需資料。

- 現在,在 Zometric Statistical Software 中分析資料,網址為 https://statsai.zometric.com/。
- 要找到名目邏輯迴歸,請選擇 Statistical module> Regression>Nominal Logistic Regression。
- 在工具中輸入資料及其他輸入項,如下所示:

5. 使用上述工具後,得到如下輸出:


如何進行名目邏輯迴歸
操作步驟如下:
- 登入 Zometric Statistical Software,網址為 https://statsai.zometric.com/
- 在首頁選擇 Statistical Tool> Regression > Nominal Logistic Regression。
- 接下來,手動更新資料,或從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V);也可以使用 Load Example 選項載入範例資料。
- 接下來,填寫所需選項。
- 最後,點選頁面底部的 calculate,即可得到所需結果。
在名目邏輯迴歸的工具介面中,視窗分為兩部分。

左側為資料窗格(Data Pane)。在 Data Pane 中,每一列構成一個子群組。資料可手動輸入,也可從 Excel 表格中完整複製(Ctrl+C)並貼上(Ctrl+V)到此處。
Load example:將載入範例資料。
Load File: 用於直接載入 Excel 資料。
右側提供以下選項:
- Response: 您要預測或分類的結果變數,必須包含 三個或更多沒有自然順序的類別,例如缺陷類型(劃痕、凹痕、撕裂)或支付方式(現金、刷卡、線上)。模型根據所提供的預測變數取值,估計每個類別出現的機率。
- Categorical Predictor: 包含一組固定的不同分組或標籤的預測變數,例如機器類型、班次或材料。這些分組之間沒有可度量的距離。每個類別被視為一個單獨的水準,模型估計每個分組如何影響各個反應類別的機率。
- Continuous Predictor: 在某一範圍內可取任意可量測數值的預測變數,例如溫度、壓力或時間。模型利用這些數值估計預測變數每增加一個單位,反應落入各類別的機率如何變化。
- Model: 定義分析中包含哪些預測變數和互動項。預設情況下,分析使用所有選定的預測變數構建 主效應模型。如果認為兩個預測變數共同影響反應,可自訂模型以包含 互動項(如 A*B)。選擇合適的模型結構很重要——包含不必要的項會引入雜訊,而遺漏關鍵項則會導致預測不準確。
常見問題
什麼是名目邏輯迴歸?
名目邏輯迴歸分析一個或多個預測變數與具有三個或更多無序類別(例如劃痕、凹痕或撕裂)的分類反應之間的關係。它根據預測變數的取值預測每個反應類別出現的機率。預測變數可以是連續變數、分類變數,或兩者的混合。
名目邏輯迴歸與有序邏輯迴歸有什麼區別?
名目邏輯迴歸適用於具有三個或更多沒有自然順序的類別的反應,例如顏色、材料類型或缺陷類型。如果類別有自然順序,例如低、中、高,請改用有序邏輯迴歸。對於合格/不合格這類只有兩個類別的反應,請使用二元邏輯迴歸。
名目邏輯迴歸有哪些要求?
反應必須有三個或更多無序類別,且每個類別需要有足夠的觀測值,因為罕見類別會使模型不穩定,並可能導致估計問題。資料應代表目標母體,量測準確,並按收集順序記錄。配適後,使用適合度統計量和殘差診斷驗證模型。
如何在 Zometric Statistical Software 中執行名目邏輯迴歸?
選擇 Statistical Tool > Regression > Nominal Logistic Regression,並輸入或貼上資料。選擇 Response、各 Categorical Predictor 和 Continuous Predictor,並定義 Model(預設為主效應模型,可包含 A*B 之類的互動項)。然後點選 Calculate 獲取結果。
