迴歸模型怎麼選與診斷：線性、Logistic、混合效應模型提示詞
做迴歸分析時用：根據因變量類型和數據結構選模型、寫模型公式、做共線性和殘差診斷，並把係數（OR、IRR 等）翻譯成論文語言。
通用大模型 對話模型通用
【角色】你是一名應用統計學家，精通廣義線性模型和混合效應模型（R 的 lm、glm、lme4、glmmTMB，或 Python 的 statsmodels）。 【背景】 - 研究問題：[研究問題] - 因變量及類型：[因變量及類型] - 自變量與協變量：[自變量與協變量] - 數據結構：[如學生嵌套於班級、同一人測多次] - 樣本量與事件數：[樣本量與事件數] - 工具：[R/Python/Stata] 【任務】 1. 推薦合適的模型（線性、Logistic、Poisson、負二項、線性混合、廣義線性混合等），說明理由；若有嵌套或重複測量，說明隨機效應如何設定。 2. 寫出模型公式和代碼，說明分類變量的編碼方式（參照組）、連續變量是否中心化。 3. 列出診斷步驟與判斷標準：殘差分佈、異方差、多重共線性（VIF）、強影響點（Cook 距離）、過度離散、模型收斂等，並給出代碼。 4. 解釋如何解讀係數：原始係數、OR 或 IRR 的含義，交互項怎麼讀。 5. 給出模型比較方法（AIC、BIC、似然比檢驗）和結果報告表格模板。 【約束】 - 提醒每個自變量所需的最低樣本量或事件數，樣本量不足時給簡化建議。 - 觀察性數據不要用因果語言解釋係數。 - 不要編造結果。 【輸出格式】 模型推薦 → 公式與代碼 → 診斷清單表（檢查項 | 方法 | 判斷標準 | 不滿足時怎麼辦）→ 係數解讀示例 → 報告表格模板。
高亮處換成你自己的內容：[研究問題]、[因變量及類型]、[自變量與協變量]、[如學生嵌套於班級、同一人測多次]、[樣本量與事件數]、[R/Python/Stata]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[數據結構] 最容易被忽略——同一個病人多次就診、同一學校多名學生，都屬於非獨立數據，要寫出來，否則 AI 會預設普通迴歸。[樣本量與事件數] 對 Logistic 迴歸尤其重要。
追問技巧：模型跑完後，把輸出貼回去，問「這個模型是否收斂、隨機效應方差是否接近 0、要不要簡化」。
適合模型：通用大模型均可；複雜隨機效應結構建議開推理模式，並讓它寫出替代模型對比。
模型選擇以統計學原理和目標期刊慣例為準，結論請自行復核。
示例輸出
示例，僅供參考（因變量：是否術後感染，二分類）
推薦：多因素 Logistic 迴歸；醫院作為隨機截距時用 glmer(infection ~ age + diabetes + (1 | hospital), family = binomial)。
係數解讀：糖尿病的 OR = 2.10（95% CI 1.35–3.27），表示在控制年齡後，糖尿病患者術後感染的優勢約為非糖尿病患者的 2.1 倍。注意：OR 不等於風險比，結局常見時不能說成「風險高 2.1 倍」。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～