广义估计方程 逻辑：修订间差异

来自决策链云智库
（创建页面，内容为“{{Infobox nodebasic|nodename=广义估计方程_逻辑|nodeimage=Generalized Estimating Equation_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在 V1.0部署|nodeenglishname=Has english name::Generalized Estimating Equation_Logistic|abbreviation=GEE_Logistic|funcmaincategory=数据分析|funcsubcategory=DataAGM Lv1 Cat::回归分析|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>…”）
 
无编辑摘要
 
（未显示同一用户的6个中间版本）
第1行： 第1行：
{{Infobox nodebasic|nodename=广义估计方程_逻辑|nodeimage=Generalized Estimating Equation_Logistic.png|developer=Dev.Team-DPS|productionstate=PC可用|productionstatedesc=在[[DecisionTree | V1.0]]部署|nodeenglishname=[[Has english name::Generalized Estimating Equation_Logistic]]|abbreviation=GEE_Logistic|funcmaincategory=数据分析|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]|nodecategory=数据挖掘|nodeinterpretor=R|nodeshortdescription=<p>广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。纵向数据是按时间顺序对个体进行重复测量得到的资料逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。\n用途：用于估计长期数据或重复测量数据中的参数的统计方法，处理复杂的二分类问题，特别是当数据中存在重复测量或长期跟踪时。\n参数：选择二分类因变量，ID变量，和自变量</p>|nodeinputnumber=5|nodeoutputnumber=2|nodeloopsupport=是|nodeifswitchsupport=否|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot|nodeavailabletablelist=Table_For_Downstream|nodeconfiguration=VariableList;DropManu|nodeinputports=WorkFlow-Control ▶;Transfer-Table ■|nodeoutputports=WorkFlow-Control ▶;Transfer-Table ■|statsapewikiurl=https://wiki.statsape.com/广义估计方程_逻辑_Plus|previousnode=[[广义估计方程_高斯]]|nextnode=[[广义相加混合模型_高斯]]}}{{Navplate AlgorithmNodeList}}[[Category:回归分析]]
{{Infobox nodebasic  
|nodename=广义估计方程_逻辑
|nodeimage=Generalized Estimating Equation_Logistic.png
|icon=Generalized Estimating Equation_Logistic.svg
|simpleicon=Generalized Estimating Equation_Logistic_Pure.svg
|developer=Dev.Team-DPS
|productionstate={{图标文件|Win}} / {{图标文件|W10}} Win10及以上可用
|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8|V1.0]]部署
|nodeenglishname=Generalized Estimating Equation_Logistic
|abbreviation=GEELogistic
|funcmaincategory=数据分析
|funcsubcategory=[[DataAGM Lv1 Cat::回归分析]]
|nodecategory=数据挖掘
|nodeinterpretor=R
|nodeshortdescription=<p>广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。</p><p>纵向数据是按时间顺序对个体进行重复测量得到的资料逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。</p><p>用途：用于估计长期数据或重复测量数据中的参数的统计方法，处理复杂的二分类问题，特别是当数据中存在重复测量或长期跟踪时。</p><p>参数：选择二分类因变量，ID变量，和自变量</p>
|nodeinputnumber=5
|nodeoutputnumber=2
|nodeloopsupport=是
|nodeifswitchsupport=否
|nodeavailableplotlist=FR_Curve_Plot;RegressionCoefficientPlot
|nodeavailabletablelist=Coeff-Value;SE;Stats-Value;P-Value;CI
|nodeconfiguration=VariableList;DropMenu
|nodeinputports=WorkFlow-Control ➤;Transfer-Variable ◆;Transfer-Table ■
|nodeoutputports=WorkFlow-Control ➤;Transfer-Table ■
|statsapewikiurl=https://wiki.statsape.com/广义估计方程_逻辑
|previousnode=[[广义估计方程_高斯]]
|nextnode=[[广义估计方程_伽玛]]
}}
 
 
 
{{Navplate AlgorithmNodeList}}
 
[[Category:回归分析]]

2024年1月19日 (五) 19:11的最新版本

Generalized Estimating Equation Logistic.png
节点状态
Windows / Windows 10 Win10及以上可用
在V1.0部署
广义估计方程_逻辑Generalized Estimating Equation Logistic.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名Generalized Estimating Equation_Logistic
功能主类别数据分析
英文缩写GEELogistic
功能亚类别回归分析
节点类型数据挖掘
开发语言R
节点简介

广义估计方程是一种研究纵向数据(比如重复测量数据,面板数据)的方法。用于估计广义线性模型的参数,其中线性模型的结果之间可能存在未知的相关性, 对于纵向数据,不满足方差分析条件的重复测量设计资料可以采用广义估计方程来进行分析。

纵向数据是按时间顺序对个体进行重复测量得到的资料逻辑回归是一种用于解决二分类(0或1)问题的机器学习方法，用于估计某种事物的可能性。原理是用逻辑函数把线性回归的结果映射到(0,1),该模型中的参数或系数通常通过最大似然估计方法进行估算。

用途：用于估计长期数据或重复测量数据中的参数的统计方法，处理复杂的二分类问题，特别是当数据中存在重复测量或长期跟踪时。

参数：选择二分类因变量，ID变量，和自变量

端口数量与逻辑控制(PC)
Input-入口5个
Output-出口2个
Loop-支持循环是
If/Switch-支持逻辑判断否
输入输出
可生成图片类型（推荐）
可生成数据表类型（推荐）
相关节点
上一节点广义估计方程_高斯
下一节点广义估计方程_伽玛
WikimediaUI-Globe.svg相关网站





查找其他类别的节点，请参考以下列表

取自“https://wiki.statsape.com/index.php?title=广义估计方程_逻辑&oldid=6083”
最近修改
此页面最后编辑于2024年1月19日 (星期五) 19:11。
版权
DecisionLinnc Wiki (决策链云智库) © 2024 by Statsape is licensed under Attribution-NonCommercial-ShareAlike 4.0 International. To view a copy of this license, visit [http://creativecommons.org/licenses/by-nc-sa/4.0/| CreativeCommons-Licenses-4.0].