比较多个分类预测变量和多个二元结果的多元逻辑回归

Question

假设我有一个数据框data：

Name      V1      V2      V3
Name 1    0       1       1
Name 1    0       0       1
Name 1    1       1       1
Name 2    1       0       0
Name 2    0       0       1
Name 2    1       1       0
Name 3    1       0       0
Name 3    1       0       1
Name 3    1       1       0

因子Name 1、Name 2 和Name 3 是分类变量，用于预测V1:V3 中列出的二元结果。

我想执行 ANOVA 或多元逻辑回归，根据 V1:V3 中显示的二元结果分布比较 data$name 中的每个因素，但我不确定如何去做/如何去做更改我的数据框以适当地执行分析。已经在data$Name 的各个因素上尝试了Anova() 和glm(family=binomial(link="logit")，但这并不能完全产生我正在寻找的比较。我想要执行的分析类型会告诉我，与Name 2 和/或Name 3 相比，Name 1 是否更有可能对V1:V3 的一个或所有响应变量产生特定结果。

任何帮助将不胜感激！

Answer 1

在这种情况下，ANOVA 听起来不合适，但逻辑回归应该没问题。您可以对每个的结果变量进行逻辑回归：

data$Name <- as.factor(data$Name)
yourmodel <- glm(V1 ~ Name, data=data, family=binomial(link="logit"))

或其他选项（如 cmets 中所建议的）：

yourmodel <- glm(Name ~V1 + V2 +V3, data=data, family=binomial(link="logit"))

...在每种情况下，您都可以通过以下方式获得模型残差、系数等：

summary(yourmodel)

...您可以从中提取优势比。