原文链接：http://tecdat.cn/?p=6851
教育或医学的规范状况是咱们有一个继续的衡量标准。一个例子是BMI。您能够通过70分作为规范进行问题测试。当这种状况产生时，钻研人员有时可能会对BMI模型超过30或通过/失败感兴趣。实质性问题通常属于模仿某人超过/低于该临床显着阈值的概率的线条。因而，咱们应用逻辑回归等办法对间断测量进行二分，并剖析新的二元变量。
那么这种办法在实践中如何运作？任何尝试在应用逻辑回归进行剖析之前，在不同阈值下对连续变量进行二分法的人都会晓得，预计的系数会发生变化。
咱们能够应用模仿。首先，我将介绍数据生成过程：
dat <- data.frame(x = rbinom(300, 1, .5))# 后果 ys=截距为-0.5，x的系数为1，存在误差dat$yc <- -.5 + dat$x + rlogis(nrow(dat))hist(dat$yc, main = "")而后，咱们能够yc在不同点上对后果进行二分，以确定这是否会影响x咱们应用逻辑回归的预计系数：
coef(glm((yc > -2) ~ x, binomial, dat))\["x"\] # Cut it at extreme -2 x0.9619012coef(glm((yc > 0) ~ x, binomial, dat))\["x"\] # Cut it at midpoint 0 x1.002632coef(glm((yc > 2) ~ x, binomial, dat))\["x"\] # Cut it at extreme 2 x0.8382662如果咱们yc间接利用线性回归怎么办？
# 首先，咱们创立一个方程来提取系数，而后# 用下面的转化为对数的公式来转化它们。trans <- function (fit, scale = pi / sqrt(3)) { x1.157362所有这些数字彼此并没有太大的不同。当初咱们能够多次重复此过程来比拟后果中的模式。我反复2500次：
colMeans(res <- t(replicate(2500, { # v代表十分；l/m/h代表低/中/高；以及t代表阈值；ls代表惯例回归。 c(vlt = coef(glm((yc > -2) ~ x, binomial, dat))\["x"\], lt = coef(glm((yc > -1) ~ x, binomial, dat))\["x"\], vlt.x lt.x mt.x ht.x vht.x ols.x1.0252116 1.0020822 1.0049156 1.0101613 1.0267511 0.9983772这些数字是不同办法的均匀回归系数。
boxplot(res)咱们看到尽管平均值大致相同，但当阈值极其时，预计的系数变动更大。最小变量系数是变换后的线性回归系数，因而当咱们应用线性回归办法时，后果稳固。
不同办法之间的预计系数模式如何？
ggpairs(as.data.frame(res))咱们看到当阈值非常低时，预计系数与阈值十分高时的预计系数十分弱相干（.13）。这些差别只是反映了阈值，在理论数据分析中可能会产生误导。
基于这些后果，预测因子与后果之间的关系也可能因后果的不同分位数而不同。分位数回归探讨的状况，能够应用分位数回归办法来查看原始间断后果中是否存在这种状况。
十分感谢您浏览本文，有任何问题请在上面留言！