r？

如何在R中进行多元（多因变量）逻辑回归

我知道你这样做是为了线性回归，这是可行的

form <-cbind(A,B,C,D)~shopping_pt+price
mlm.model.1 <- lm(form, data = train)

---

form在我看来，
lm（cbind（A，B，C，D）~shopping\u pt+price）
只适合四个因变量的四种不同模型。您提供的服务甚至提到：

单个系数及其标准误差将与多元回归产生的系数相同。然而，OLS回归不会产生多变量结果，也不允许跨方程测试系数

这意味着所有的估计都是一样的，你只需要预测四次；拟合系数的假设在不同模型中是独立的

我刚刚试过下面这个例子，表明它确实是这样的：

> set.seed(0)
> x1 <- runif(10)
> x2 <- runif(10)
> y1 <- 2*x1 + 3*x2 + rnorm(10)
> y2 <- 4*x1 + 5*x2 + rnorm(10)
> mm <- lm(cbind(y1,y2)~x1+x2)
> m1 <- lm(y1~x1+x2)
> m2 <- lm(y2~x1+x2)
# If we look at mm, m1 and m2, we see that models are identical
# If we predict new data, they give the same estimates
> x1_ <- runif(10)
> x2_ <- runif(10)
> predict(mm, newdata=list(x1=x1_, x2=x2_))
          y1       y2
1  2.9714571 5.965774
2  2.7153855 5.327974
3  2.5101344 5.434516
4  1.3702441 3.853450
5  0.9447582 3.376867
6  2.3809256 5.051257
7  2.5782102 5.544434
8  3.1514895 6.156506
9  2.4421892 5.061288
10 1.6712042 4.470486
> predict(m1, newdata=list(x1=x1_, x2=x2_))
        1         2         3         4         5         6         7         8         9        10 
2.9714571 2.7153855 2.5101344 1.3702441 0.9447582 2.3809256 2.5782102 3.1514895 2.4421892 1.6712042 
> predict(m2, newdata=list(x1=x1_, x2=x2_))
       1        2        3        4        5        6        7        8        9       10 
5.965774 5.327974 5.434516 3.853450 3.376867 5.051257 5.544434 6.156506 5.061288 4.470486

>设置种子（0）
>x1 x2 y1 y2毫米m1平方米x1_x2_uu预测（毫米，新数据=列表（x1=x1_x2=x2_uu））
y1 y2
1  2.9714571 5.965774
2  2.7153855 5.327974
3  2.5101344 5.434516
4  1.3702441 3.853450
5  0.9447582 3.376867
6  2.3809256 5.051257
7  2.5782102 5.544434
8  3.1514895 6.156506
9  2.4421892 5.061288
10 1.6712042 4.470486
>预测（m1，newdata=list（x1=x1，x2=x2）
1         2         3         4         5         6         7         8         9        10 
2.9714571 2.7153855 2.5101344 1.3702441 0.9447582 2.3809256 2.5782102 3.1514895 2.4421892 1.6712042 
>预测（m2，新数据=列表（x1=x1，x2=x2）
1        2        3        4        5        6        7        8        9       10 
5.965774 5.327974 5.434516 3.853450 3.376867 5.051257 5.544434 6.156506 5.061288 4.470486

这表明你可以分别拟合四个逻辑模型。
我可能错了。
但是我认为你为
lm
编写的代码只适合四个独立的模型，每个因变量对应一个。我的意思是，你只能适应四种逻辑模型。我不相信这是正确的。它解释了4个因变量之间的相关矩阵，同时预测了4个模型来解释这些相互依赖性。你确定吗？有参考资料吗？谢谢你的链接。第二条提到了这一点：“单个系数及其标准误差将与多元回归产生的系数相同。但是，OLS回归不会产生多元结果，也不允许跨方程测试系数。”如果您适当地“堆叠”数据，您可以使用广义线性混合模型（GLMM）包来实现这一点：
MCMCglmm
（参见课程说明的第5章）或
lme4
（参见）应该可以工作，尽管这里给出的多变量示例是多变量正态分布。如果你给出一个可重复的例子，我会考虑张贴一个有效的答案……谢谢你这个非常疯狂，但同时不幸。然而，这意味着这个问题仍然没有答案，因为我想进行适当的多元分析，其中一个解释了因变量之间的相关性。
> set.seed(0)
> x1 <- runif(10)
> x2 <- runif(10)
> y1 <- 2*x1 + 3*x2 + rnorm(10)
> y2 <- 4*x1 + 5*x2 + rnorm(10)
> mm <- lm(cbind(y1,y2)~x1+x2)
> m1 <- lm(y1~x1+x2)
> m2 <- lm(y2~x1+x2)
# If we look at mm, m1 and m2, we see that models are identical
# If we predict new data, they give the same estimates
> x1_ <- runif(10)
> x2_ <- runif(10)
> predict(mm, newdata=list(x1=x1_, x2=x2_))
          y1       y2
1  2.9714571 5.965774
2  2.7153855 5.327974
3  2.5101344 5.434516
4  1.3702441 3.853450
5  0.9447582 3.376867
6  2.3809256 5.051257
7  2.5782102 5.544434
8  3.1514895 6.156506
9  2.4421892 5.061288
10 1.6712042 4.470486
> predict(m1, newdata=list(x1=x1_, x2=x2_))
        1         2         3         4         5         6         7         8         9        10 
2.9714571 2.7153855 2.5101344 1.3702441 0.9447582 2.3809256 2.5782102 3.1514895 2.4421892 1.6712042 
> predict(m2, newdata=list(x1=x1_, x2=x2_))
       1        2        3        4        5        6        7        8        9       10 
5.965774 5.327974 5.434516 3.853450 3.376867 5.051257 5.544434 6.156506 5.061288 4.470486