Мультиноміальні моделі використовуються для прогнозування результатів, коли залежна змінна є категоричною з більш ніж двома рівнями. Узагальнені лінійні моделі (GLM) забезпечують гнучку основу для моделювання різних типів даних, у тому числі мультиноміальних результатів.17 липня 2024 р.

Мультиноміальна модель є різновидом GLM. Ось приклад використання мультиноміальної логістичної регресії. Дослідник класифікував вміст шлунка n=219 алігаторів відповідно до r=5 категорій (риба, Inv., Rept, Bird, Other) як функцію коваріантів Lake, Стать і Розмір.

Ключові висновки У той час як лінійна регресія має лише одну незалежну змінну, множинна регресія охоплює як лінійну, так і нелінійну регресію та включає кілька незалежних змінних. Кожна незалежна змінна в множинній регресії має свій власний коефіцієнт, щоб гарантувати належне зваження кожної змінної.

Маючи справу з категоріальними результатами з більш ніж двома групами, дослідники повинні розглянути можливість застосування мультиноміальної або порядкової логістичної регресії. Мультиноміальна логістика може бути застосована до впорядкованих або невпорядкованих результатів, тоді як порядкова логістика лише для впорядкованих результатів.

Один із способів, чим загальна лінійна модель відрізняється від моделі множинної регресії з точки зору кількості залежних змінних, які можна проаналізувати. Вектор Y із n спостережень однієї змінної Y можна замінити матрицею Y із n спостережень m різних змінних Y.

Мультиноміальна логістична регресія (або скорочено мультиноміальна регресія) використовується, коли прогнозована змінна результату є номінальною та має більше двох категорій, які не мають певного рангу чи порядку. Цю модель можна використовувати з будь-якою кількістю незалежних змінних, які є категоричними або неперервними.