Использование mlogit в R с переменными, которые применяются только к определенным альтернативам

Я не очень хорошо разбираюсь в различных реализациях логит-моделей, но я полагаю, что это связано с тем, чтобы убедиться, что у вас есть различия между людьми, и альтернативы матрице могут быть правильно определены с различиями между альтернативами и выбирающими. Что вы получаете, говоря

amres<-mlogit(mode~distance| nveh | ivt+board,data=AMLOGIT)

mlogit имеет групповое разделение между трубами, как я понимаю, следующим образом: первая часть - это ваша базовая формула, вторая часть - это переменные, которые не меняются между альтернативами (т.е. зависят только от человека, пола, дохода - я думаю, nveh должно быть здесь), а третья часть зависит от альтернативы.

Между прочим, у Кена Трейна есть набор виньеток, специально посвященных mlogit, которые могут оказаться полезными. Витон упоминает перегородку с трубами.

Виньетки Кена Трейна

Виньетки Филипа Витона

Виньетки Ива Круассана

Похоже, у вас идеальное разделение. Вы проверили это, например. глядя на crosstables переменных? (Невозможно подобрать модель, если одна комбинация предикторов позволяет сделать идеальный прогноз...) В этом отношении было бы полезно узнать размер набора данных - возможно, вы слишком подходите для количества данных, которые у вас есть. Это общая проблема моделирования, не относящаяся к mlogit.

Вы говорите, что «статистика выглядит великолепно», но значения для Pr(>|t|)s и Likelihood ratio test выглядят неправдоподобно значительными, что согласуется с этой проблемой. Это означает, что оценки коэффициентов, вероятно, будут неточными. (Подобны ли они коэффициентам, полученным при одномерном моделировании?). Возможно, более простая модель была бы более подходящей.

Изменить @user3092719 :

Вы аппроксимируете обобщенную линейную модель, которую можно легко переобучить (поскольку переменная результата является дискретной или номинальной, т. е. . значений). mlogit является расширением логистической регрессии; вот простой пример последнего для иллюстрации:

> df1 <- data.frame(x=c(0, rep(1, 3)),
                    y=rep(c(0, 1), 2))
> xtabs( ~ x + y, data=df1)
   y
x   0 1
  0 1 0
  1 1 2

Обратите внимание на ноль в правом верхнем углу. Это показывает «идеальное разделение», что означает, что если x=0 вы знаете наверняка, что y=0 основано на этом наборе. Таким образом, вероятностная прогностическая модель не имеет особого смысла. Некоторый вывод из

> summary(glm(y ~ x, data=df1, binomial(link = "logit")))

дает

Coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   -18.57    6522.64  -0.003    0.998
x              19.26    6522.64   0.003    0.998

Здесь размер Std. Errors подозрительно велик по сравнению со значением коэффициентов. Вас также должен насторожить Number of Fisher Scoring iterations: 17 — большой номер. итерации, необходимые для подгонки, предполагают числовую нестабильность.

Ваше решение, по-видимому, включает в себя обеспечение того, чтобы эта проблема полного разделения не возникала в вашей модели, хотя трудно быть уверенным, не имея минимального рабочего примера.