Enormi coefficienti nella regressione logistica: cosa significa e cosa fare?

Ottengo coefficienti enormi durante la regressione logistica, vedi coefficienti con krajULKV:

> summary(m5)

Call:
glm(formula = cbind(ml, ad) ~ rok + obdobi + kraj + resid_usili2 + 
    rok:obdobi + rok:kraj + obdobi:kraj + kraj:resid_usili2 + 
    rok:obdobi:kraj, family = "quasibinomial")

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.7796  -1.0958  -0.3101   1.0034   2.8370  

Coefficients:
                              Estimate     Std. Error t value Pr(>|t|)   
(Intercept)                 -486.72087      664.71911  -0.732  0.46424   
rok                            0.24232        0.33114   0.732  0.46452   
obdobinehn                  3400.43703     1354.14874   2.511  0.01223 * 
krajJHC                      786.22409      708.50291   1.110  0.26746   
krajJHM                      511.85538      823.03038   0.622  0.53417   
krajLBK                      -23.94180     2388.86316  -0.010  0.99201   
krajMSK                     1281.88767      955.09736   1.342  0.17992   
krajOLK                     -175.19425     1255.82946  -0.140  0.88909   
krajPAK                      349.76438     1071.03364   0.327  0.74408   
krajPLK                    -1335.73206     1534.09899  -0.871  0.38418   
krajSTC                      868.99157      692.30426   1.255  0.20976   
krajULKV                  245661.86828 17496742.31677   0.014  0.98880   
krajVYS                     3341.76686     1314.77140   2.542  0.01121 * 
krajZLK                     3950.75617     2922.25220   1.352  0.17676   
resid_usili2                  -1.44719        0.89315  -1.620  0.10555   
rok:obdobinehn                -1.69479        0.67462  -2.512  0.01219 * 
rok:krajJHC                   -0.39108        0.35295  -1.108  0.26817   
rok:krajJHM                   -0.25481        0.40997  -0.622  0.53443   
rok:krajLBK                    0.01621        1.19155   0.014  0.98915   
rok:krajMSK                   -0.63985        0.47592  -1.344  0.17917   
rok:krajOLK                    0.08714        0.62545   0.139  0.88923   
rok:krajPAK                   -0.17419        0.53344  -0.327  0.74410   
rok:krajPLK                    0.66539        0.76383   0.871  0.38394   
rok:krajSTC                   -0.43292        0.34490  -1.255  0.20976   
rok:krajULKV                -122.01076     8704.03367  -0.014  0.98882   
rok:krajVYS                   -1.66391        0.65468  -2.542  0.01122 * 
rok:krajZLK                   -1.96718        1.45474  -1.352  0.17667   
obdobinehn:krajJHC         -3623.86807     1385.86009  -2.615  0.00909 **
obdobinehn:krajJHM         -3220.08906     1458.83842  -2.207  0.02757 * 
obdobinehn:krajLBK         -1051.07131     3434.11845  -0.306  0.75963   
obdobinehn:krajMSK         -6415.65781     1978.30260  -3.243  0.00123 **
obdobinehn:krajOLK         -2427.66591     1777.51914  -1.366  0.17239   
obdobinehn:krajPAK         -3111.45312     1623.59145  -1.916  0.05566 . 
obdobinehn:krajPLK         -1800.26258     2065.74461  -0.871  0.38375   
obdobinehn:krajSTC         -4409.45624     1379.64196  -3.196  0.00145 **
obdobinehn:krajULKV      -187832.68360 16454272.74951  -0.011  0.99089   
obdobinehn:krajVYS         -5445.51446     1791.38012  -3.040  0.00244 **
obdobinehn:krajZLK         -6216.43343     3167.49836  -1.963  0.05003 . 
krajJHC:resid_usili2           1.60474        0.98554   1.628  0.10385   
krajJHM:resid_usili2           1.57822        1.04518   1.510  0.13143   
krajLBK:resid_usili2          11.53462       13.40012   0.861  0.38961   
krajMSK:resid_usili2          -1.33600        1.55241  -0.861  0.38971   
krajOLK:resid_usili2           0.07296        1.27034   0.057  0.95421   
krajPAK:resid_usili2           1.35880        1.23033   1.104  0.26974   
krajPLK:resid_usili2           1.90189        1.41163   1.347  0.17826   
krajSTC:resid_usili2           2.05237        0.95972   2.139  0.03277 * 
krajULKV:resid_usili2        599.79215    20568.86123   0.029  0.97674   
krajVYS:resid_usili2           3.03834        1.16464   2.609  0.00925 **
krajZLK:resid_usili2           1.18574        1.11024   1.068  0.28583   
rok:obdobinehn:krajJHC         1.80611        0.69042   2.616  0.00906 **
rok:obdobinehn:krajJHM         1.60475        0.72676   2.208  0.02751 * 
rok:obdobinehn:krajLBK         0.52268        1.71244   0.305  0.76027   
rok:obdobinehn:krajMSK         3.19712        0.98564   3.244  0.00123 **
rok:obdobinehn:krajOLK         1.21012        0.88541   1.367  0.17208   
rok:obdobinehn:krajPAK         1.55034        0.80886   1.917  0.05563 . 
rok:obdobinehn:krajPLK         0.89718        1.02893   0.872  0.38349   
rok:obdobinehn:krajSTC         2.19742        0.68732   3.197  0.00144 **
rok:obdobinehn:krajULKV       93.43130     8189.24994   0.011  0.99090   
rok:obdobinehn:krajVYS         2.71357        0.89236   3.041  0.00243 **
rok:obdobinehn:krajZLK         3.09624        1.57711   1.963  0.04996 * 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

(Dispersion parameter for quasibinomial family taken to be 1.258421)

    Null deviance: 1518.0  on 878  degrees of freedom
Residual deviance: 1228.6  on 819  degrees of freedom
  (465 observations deleted due to missingness)
AIC: NA

Number of Fisher Scoring iterations: 18

Cosa significa questo?? Significa qualche multicollinearità, come @Scortchi menzionato in questa discussione ? O questo significa overfitting? Come rilevare il problema? Cosa devo fare ora?

Ho provato a rimuovere alcune variabili. Questo aiuta un po 'ma non così tanto:

> m6 <- update(m5, ~.- kraj:resid_usili2)
> m7 <- update(m6, ~.- resid_usili2)
> summary(m7)

Call:
glm(formula = cbind(ml, ad) ~ rok + obdobi + kraj + rok:obdobi + 
    rok:kraj + obdobi:kraj + rok:obdobi:kraj, family = "quasibinomial")

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.9098  -1.1931  -0.2274   1.0529   3.1283  

Coefficients:
                           Estimate  Std. Error t value Pr(>|t|)
(Intercept)              -118.95199   476.34698  -0.250    0.803
rok                         0.05971     0.23718   0.252    0.801
obdobinehn                412.69412   646.95083   0.638    0.524
krajJHC                   447.69791   498.45358   0.898    0.369
krajJHM                   -62.92516   525.85737  -0.120    0.905
krajLBK                   677.73239  1595.20024   0.425    0.671
krajMSK                   278.24639   621.32312   0.448    0.654
krajOLK                  -705.97832   782.53474  -0.902    0.367
krajPAK                   387.96543   608.98961   0.637    0.524
krajPLK                  -653.68419   782.20737  -0.836    0.403
krajSTC                  -114.34822   489.06318  -0.234    0.815
krajULKV                -2117.64674  1797.75836  -1.178    0.239
krajVYS                   884.74411   681.05324   1.299    0.194
krajZLK                  -997.77613   925.93280  -1.078    0.281
rok:obdobinehn             -0.20602     0.32211  -0.640    0.523
rok:krajJHC                -0.22303     0.24819  -0.899    0.369
rok:krajJHM                 0.03092     0.26180   0.118    0.906
rok:krajLBK                -0.33909     0.79438  -0.427    0.670
rok:krajMSK                -0.13889     0.30935  -0.449    0.654
rok:krajOLK                 0.35102     0.38943   0.901    0.368
rok:krajPAK                -0.19392     0.30323  -0.640    0.523
rok:krajPLK                 0.32463     0.38937   0.834    0.405
rok:krajSTC                 0.05677     0.24351   0.233    0.816
rok:krajULKV                1.05287     0.89453   1.177    0.239
rok:krajVYS                -0.44149     0.33911  -1.302    0.193
rok:krajZLK                 0.49612     0.46081   1.077    0.282
obdobinehn:krajJHC       -776.31258   672.68911  -1.154    0.249
obdobinehn:krajJHM       -267.78650   700.38741  -0.382    0.702
obdobinehn:krajLBK      -1246.67321  1760.37329  -0.708    0.479
obdobinehn:krajMSK       -383.77613   858.81391  -0.447    0.655
obdobinehn:krajOLK        -96.72334   947.75189  -0.102    0.919
obdobinehn:krajPAK       -540.25140   827.13134  -0.653    0.514
obdobinehn:krajPLK       -517.49161  1124.63474  -0.460    0.645
obdobinehn:krajSTC       -683.81160   672.66674  -1.017    0.310
obdobinehn:krajULKV      2344.32314  2073.98366   1.130    0.259
obdobinehn:krajVYS       -795.62043   917.80551  -0.867    0.386
obdobinehn:krajZLK        618.33075  1093.37768   0.566    0.572
rok:obdobinehn:krajJHC      0.38725     0.33493   1.156    0.248
rok:obdobinehn:krajJHM      0.13374     0.34870   0.384    0.701
rok:obdobinehn:krajLBK      0.62237     0.87662   0.710    0.478
rok:obdobinehn:krajMSK      0.19114     0.42758   0.447    0.655
rok:obdobinehn:krajOLK      0.04842     0.47171   0.103    0.918
rok:obdobinehn:krajPAK      0.26922     0.41184   0.654    0.513
rok:obdobinehn:krajPLK      0.25790     0.55986   0.461    0.645
rok:obdobinehn:krajSTC      0.34078     0.33492   1.017    0.309
rok:obdobinehn:krajULKV    -1.16571     1.03236  -1.129    0.259
rok:obdobinehn:krajVYS      0.39675     0.45704   0.868    0.386
rok:obdobinehn:krajZLK     -0.30732     0.54422  -0.565    0.572

(Dispersion parameter for quasibinomial family taken to be 1.313286)

    Null deviance: 2396.8  on 1343  degrees of freedom
Residual deviance: 2110.3  on 1296  degrees of freedom
AIC: NA

Number of Fisher Scoring iterations: 5

EDIT: Come proposto da Scortchi , ho cercato di usare VIF e ho anche ottenuto valori enormi. Cosa significa questo? Vedere:

> require(HH)
> vif(cbind(ml, ad) ~ rok + obdobi + kraj + resid_usili2 + 
+         rok:obdobi + rok:kraj + obdobi:kraj + kraj:resid_usili2 + 
+         rok:obdobi:kraj)
                    rok              obdobinehn                 krajJHC                 krajJHM 
              50.281603         45075363.969712         15194580.406796         11362184.620230 
                krajLBK                 krajMSK                 krajOLK                 krajPAK 
         7567915.376763          5228018.864051         17105623.986998         10944471.683601
[... cut out ...]

— Curioso
fonte

Bene, hai esaminato una matrice di correlazione delle variabili krjXXX per vedere se sono altamente correlate?

— ciclista

@zbicyclist, grazie. krajè solo una variabile categoriale di 12 livelli (HKK (nascosto nell'intercettazione), JHC, JHM, LBK, MSK, ...), quindi immagino che la matrice di correlazione per krajXXX non abbia senso, ho ragione? Cosa dovrei fare allora?

— Curioso il

Richiesta rapida: il tuo link a una discussione di Scortchi sopra non contiene link reali, potresti aggiungerlo? Grazie!

— James Stanley,

Tomas, presumo che il livello HKK sia un livello frequente (cioè non hai lasciato cadere un livello con solo 1 o 2 osservazioni). Un errore che a volte viene commesso è quello di abbandonare il livello meno frequente. Penso che @James Stanley abbia il miglior suggerimento su cosa fare dopo.

— zbicyclist,

Nessun problema, buono a sapersi - Penso che il punto di @zbicyclist sia che se scegli una categoria di riferimento che ha esiti davvero rari, allora tutti i parametri per quel fattore potrebbero essere influenzati dalla separazione quasi completa (mentre la scelta di un livello con risultati più frequenti eviteranno che ciò costituisca un problema per tutti i parametri). [FYI, che potresti già sapere - puoi modificare il livello di riferimento se necessario: in R, uno userebbe ad esempio kraj <- relevel(kraj, ref = "JHC")se invece volessi usare JHC come livello di riferimento.]

— James Stanley

Suggerirei che i coefficienti massicci, e gli errori standard di conseguenza massicci, sarebbero quasi sicuramente causati da una separazione quasi completa o completa. Cioè, per una combinazione di parametri, o ognuno ha avuto il risultato o nessuno ha avuto il risultato, e quindi il coefficiente si dirige verso l'infinito (o infinito negativo).

Questo tende ad accadere soprattutto quando si specificano molti termini di interazione, poiché aumentano le possibilità di avere una combinazione di fattori che si traducono in alcune cellule "vuote" (nessun esito nella cellula o tutti hanno esiti).

Vedere la pagina seguente per ulteriori dettagli e strategie suggerite: http://www.ats.ucla.edu/stat/mult_pkg/faq/general/complete_separation_logit_models.htm

Più in generale, significa che probabilmente stai cercando di fare "troppo" con il tuo modello per la dimensione del tuo set di dati (in particolare il numero di risultati osservati).

EDIT: un paio di suggerimenti pragmatici

Potresti provare (1) in modo rapido e semplice: eliminare i termini di interazione dal tuo modello, per vedere se ciò aiuta (se questo ha senso dal punto di vista della domanda di ricerca è una questione completamente diversa); oppure (2) ottieni R per renderti una tabella di contingenza bi-iiig per (ad esempio righe) le combinazioni descritte nelle interazioni tramite (ad esempio colonne) la variabile di risultato. Potresti essere in grado di vedere alcune prove della separazione qui.

— James Stanley
fonte

grazie James. Quindi questo significa davvero sovralimentazione? Questo significa che forse non dovrei includere le interazioni nel modello?

— Curioso il

Non penso che questo sia tecnicamente "troppo adatto", ma un caso di allungamento eccessivo del modello. Vedi ad esempio Wikipedia su cosa si intende generalmente per eccesso di valore (e non pretendo di essere un esperto della definizione): en.wikipedia.org/wiki/Overfitting - che un modello troppo specificato è quello in cui i parametri stimati probabilmente non lo farebbero funziona bene nella validazione incrociata, o in altre parole, il modello che hai specificato descriverà questo esempio, ma non funzionerebbe bene su un altro campione della stessa popolazione.

— James Stanley,

grazie James - ma questo è esattamente quello che immagino con il termine Overfitting .. A proposito, ho usato VIF e ho ottenuto anche valori enormi, per favore vedi la mia domanda modificata. Questo ti dice qualcosa di nuovo sui problemi di multicollinearità / overfitting?

— Curioso il

Penso che questa sia solo una questione di terminologia / gergo: ciò che stai descrivendo è ancora un problema ed è dovuto a una specificazione eccessiva, ma non credo che ci riferiremo a questo come "eccesso di adattamento" in senso formale. Dovrò andare via e leggere alcune parti delle distinzioni per essere più chiaro!

— James Stanley,

Non sono sicuro che esista un termine tecnico oltre la separazione quasi completa. Direi "per evitare una separazione quasi completa (a causa di dati sparsi nelle combinazioni dei due fattori) non abbiamo testato le interazioni". Ovviamente questo è praticamente tutto gergo, ma penso che questa potrebbe essere la migliore descrizione?

— James Stanley,