问题标签 [logits]

错误 错误描述

我正在使用 TensorFlow 2.2 来实现 Unet。这是我正在构建的代码，它给了我一个 logits 与 label 的错误。已附上错误的图像。

当我尝试训练上述模型时，会产生 logits 与标签的错误 ValueError: logits and labels must have the same shape (((None, 388, 388, 1) vs (None, 572, 572, 1))

如何将此“summary.bifeAPEs”列表 str 数据放入数据框中，以便绘制效果？我似乎无法使用 SO 中列表数据示例中的建议将其强制转换为数据框。

我正在写一篇关于投资公司及其与可持续金融计划的关系的论文。我正在使用一个包含 307 位投资者的面板数据集，其中 125 位签署了这项可持续发展倡议。

我想添加一个部分，我在其中测试哪些变量可能会促使他们签署该倡议。

我相信我应该为此使用 logit 回归，但没有广泛使用这些，我正在寻找一些指导。

目前数据如下：

正如您所看到的，签名变量是一个二进制变量，我希望针对它测试国家或地区等变量。

任何提示将不胜感激！

罗里

所以这是我的问题。我建立了一个很好的数据集，但我在从中提取必要的见解时遇到了一些麻烦。我已经建立了一个包含荷兰重新开发住宅区的数据集。我将所有网站分为七种类型。对于每个站点，我都知道那里构建了哪种类型。此外，我知道每个站点的建筑类型每平方米的利润是多少。最重要的是，我知道每个站点的每平方米利润（如果在那里建造了其他类型）。对于每个站点，我也有一组特征。

总之，我对每个站点都有：

• 那里建造了哪种开发类型
• 那项发展的利润是多少
• 该地点的其他开发类型的利润
• 一组特征

所以我要分析的是利润对选择的开发类型有什么影响。

首先，我想我想使用多项式 logit 模型。

mlogit realised_type profit_type1 profit_type2 profit_type3, baseoutcome(1)

所以我认为这给出了每个开发选项的利润对某个开发是否已经实现的影响。

我的博士导师建议我应该使用有条件的 logit。为此，我使用 Profit_type1、profit_type2 等将宽数据转换为长数据，创建变量替代品

reshape long profit_type, i(site_id) j(alternative)

然后这个：

clogit realised_type profit_type, group(site_id)

但是在这里我错过了一些表明利润对应于哪种类型的东西。

有人可以将我推向正确的方向，或者知道我怎样才能做得更好吗？

长数据示例

我正在使用该bife包使用以下代码对我的数据运行一些条件逻辑回归：

我的论文研究了一个国家将参与制裁破坏（allbuster）的可能性。我对这个lag_sectoral_II_TS_100变量感兴趣，它是本质上属于行业内的贸易份额（取值 0-100）。

这是我的数据示例：

我不确定这是否可能，但我想计算我的因变量在行业内贸易份额值范围内的预测概率。我尝试了一些我知道的方法来做到这一点，但没有任何效果。我知道这种类型的回归计算预测概率会出现问题。

我尝试使用effect_plot，但无济于事。任何帮助将不胜感激。

谢谢！

我正在等待bife（二进制固定效果）包得到支持，ggeffects但与此同时，我想知道如何复制 ggeffects 的功能，并且（非常第二）想了解我是否应该使用平均预测效应 (APE) 或预测概率。

在正常情况下，我会运行 aglm然后使用ggeffects.

你应该得到这张表：

这个输出，其中 Petal.Length 是数据集中 (8) 个值的范围，并且所有其他模型预测变量都保持在它们的平均值，生成并且可以通过管道传输到plot()( ggeffects::ggeffect(testglm, terms = "Petal.Length")%>% plot()) 或到ggplot2()。

然而，这一次，我的模型（显然不是 iris 项目，这是一个示例数据集）需要 FE。所以，我的问题是，我如何像glmggeffects一样“从 logit 模型的预测变量中计算所有可能级别和值的预测值”？bife

我可以获得平均预测效果，它可以使用APEsIris <- summary(get_APEs(fetest)). 这当然会产生 Petal.Length 的单一平均值，而不是 8。我可以用 se 和 CI 计算数据帧，但它不是等价的（单一估计）

那么预测呢？

predictedbifes<-predict.bife(fetest)在数据集中产生 150 个预测，即观察数。即使我将它们绘制成图表，我也不明白我将如何操纵预测以随着 Petal.Length 的观察值而变化，并将所有其他预测变量保持在平均值。

简而言之，我怎样才能重现ggeffects计算以产生一个边际效应表，我可以用它来绘制这个固定效应 logit 模型中的不同变量？

我使用 R 进行了一些 logit 回归 - 测试投资公司的特征以及是否有任何预测可持续行为。

在我的论文中，我复制了 R 的输出，但是，我收到反馈说我应该尝试以更经典的学术方式格式化输出表。

有没有人有关于如何最好地做到这一点的建议，或者知道任何有助于这种事情的教程？

非常感谢，罗里

I am going to estimate a Multinomial Logit model for the discrete choice analysis, in which user chooses a route among other available paths. This is intended to determine the utility of those paths. As these alternatives should be mutually exclusive, as per assumption of MNL model (IIA) this is not true. It is because some of the alternatives have common links between them. In order to correct this, path-size correction should be used, which is attached below (from previous studies).

I'm just wondering if there's any R/Python package to calculate this path-size factor between the alternatives before estimating the MNL model? If not, how can I formulate this in R/Python to calculate?

我估计以下模型：

dollar是美元价格的影响（被视为连续），大陆都是虚拟的，美洲是被排除在外的类别（任何其他大陆，比如南极洲，都不在模型中，因为我们建模的商品从未在南极洲）。diameterinch是以英寸为单位的商品尺寸。

数据来自选择实验，我们的目标是找出客户为来自不同地点的商品支付的溢价。由于商品的大小对价格和支付意愿 (WTP) 有很大影响（但在实验中也存在外生变化），我们将其保留在模型中。

我们很好奇是否可以以某种方式绘制直径的影响（对于某些值）和生产区域的影响以一美元的影响？正如我们开始说的那样，与我们相比，我们发现哪些生产领域有溢价，最好有一个可以展示这一点的数字。

我有超过 5000 万个观测值的样本。我在 R 中估计以下模型：

根据 model1 的估计，我计算边际效应：

这行代码还计算了每一个减慢 R 的固定效应的边际效应。我只需要计算变量 1、2 和 3 的平均边际效应。如果我单独计算边际效应，使用 mfx2 <- margineffects (model1, variables = "variable1") 那么它不显示标准误差和平均边际效应的 p 值。

这个问题有什么解决办法吗？