When the method is used in fitting

When the method is used in fitting logistic models in datasets giving rise to separation, the affected estimate is typically approaching a boundary condition. As a result, the likelihood profile is often asymmetric under these conditions; Wald tests and confidence intervals are liable to be inaccurate. In these circumstances, Heinze and coworkers recommend using likelihood ratio tests and profile likelihood confidence intervals in lieu of Wald-based statistics. Calculation of likelihood ratio test statistics with the method is done differently by Heinze and coworkers from what is conventionally done: instead of omitting the variable of interest and refitting the reduced model, the coefficient of interest is constrained to zero and left in the model in order to allow its contributing to the penalization. The test statistic is then omputed as twice the difference in penalized log likelihood values of the unconstrained and constrained models by lrtest in a manner directly analogous to that of conventional likelihood ratio tests.

結果 (繁體中文) 1:

當該方法在數據集引起的分離擬合Logistic模型中使用，受影響的估計通常接近邊界條件。其結果是，可能簡檔常常是在這些條件下的不對稱; 沃爾德檢驗和置信區間是容易是不準確的。在這種情況下，海因策和他的同事建議使用代替基於沃爾德統計似然比檢驗和外形似然置信區間。該方法似然比檢驗統計量的計算被不同地由海因策和同事從什麼以往那樣進行：代替省略的感興趣的變量和重新安裝減小模型中，感興趣的係數被限制到零，並在模型中左，以便允許其對懲罰貢獻。

結果 (繁體中文) 2:

當該方法用於擬合導致分離的資料集中的邏輯模型時，受影響的估計值通常接近邊界條件。因此，在這些條件下，可能性剖面往往是不對稱的;瓦爾德測試和置信區間可能不准確。在這些情況下，Heinze 和同事建議使用可能性比率測試和設定檔可能性置信區間來代替基於 Wald 的統計資訊。Heinze 和同事採用該方法計算可能性比測試統計資料的方法與常規方法不同：而不是省略感興趣的變數並重新擬合縮減的模型，而是約束了利息係數到零並留在模型中，以便其有助於懲罰。然後，測試統計以類似于常規可能性比測試的方式，將無約束和約束模型受罰的對數可能性值的差值省略為兩倍。

結果 (繁體中文) 3:

當該方法用於對產生分離的數据集進行logistic模型擬合時，受影響的估計通常接近一個邊界條件。囙此，在這些條件下，似然分佈通常是不對稱的；Wald檢驗和置信區間可能不準確。在這種情況下，海因策和同事建議使用似然比檢驗和輪廓似然置信區間來代替基於Wald的統計。海因策及其同事用這種方法計算似然比檢驗統計量的方法不同於傳統的方法：不省略興趣變數，不重新修改簡化模型，而是將興趣係數約束為零，留在模型中，以使其有助於懲罰。然後用lrtest將檢驗統計量計算為無約束和約束模型的懲罰對數似然值之差的兩倍，計算管道與傳統似然比檢驗的方法直接類似。