R多项式逻辑回归运行结果解读疑问

Question

#R运行多项式逻辑回归结果左侧2和3是什么意思

#结果

mulfit5 <- multinom(sleepduration_group ~ ln_Phe1 + factor(gender) + age + factor(race) + factor(PIR_group) +
+                       factor(BMI_group)+ cotinine + factor(alcohol) + Caffeine + factor(cycle), data = mydata3)
# weights:  45 (28 variable)
initial  value 3858.326358 
iter  10 value 2441.512225
iter  20 value 2341.804766
iter  30 value 2328.401570
final  value 2328.112313 
converged
> summary(mulfit5)
Call:
multinom(formula = sleepduration_group ~ ln_Phe1 + factor(gender) + 
    age + factor(race) + factor(PIR_group) + factor(BMI_group) + 
    cotinine + factor(alcohol) + Caffeine + factor(cycle), data = mydata3)

Coefficients:
  (Intercept)      ln_Phe1 factor(gender)2          age factor(race)Non-Hispanic Black factor(race)Non-Hispanic White
2   2.2634742 -0.002222278      -0.1214494 -0.002423475                     -0.8244016                      0.2751877
3  -0.2332276  0.005260852       0.1244996  0.009230540                     -1.2909066                      0.2637021
  factor(race)Other Race factor(PIR_group)2 factor(BMI_group)2      cotinine factor(alcohol)2      Caffeine factor(cycle)6
2            -0.07775562        0.228801878         -0.3372549 -1.001994e-03       -0.1821712 -0.0005762582    -0.10523729
3            -0.44380981        0.006849816         -0.5635893  1.653039e-05       -0.1597912 -0.0019626963    -0.01724001
  factor(cycle)7
2    -0.12979635
3    -0.09268352

Std. Errors:
  (Intercept)     ln_Phe1 factor(gender)2        age factor(race)Non-Hispanic Black factor(race)Non-Hispanic White
2   0.2365444 0.003749757       0.1012105 0.00292195                      0.1611136                      0.1586338
3   0.3595631 0.005709663       0.1590815 0.00449983                      0.2718171                      0.2331893
  factor(race)Other Race factor(PIR_group)2 factor(BMI_group)2     cotinine factor(alcohol)2     Caffeine factor(cycle)6
2              0.1794096          0.1162385          0.1159512 0.0003573658        0.1125419 0.0002620759      0.1187681
3              0.2820133          0.1840907          0.1700324 0.0005742959        0.1785028 0.0005305349      0.1824915
  factor(cycle)7
2      0.1226076
3      0.1955465

Residual Deviance: 4656.225 
AIC: 4712.225 

Answer 1

🌈🌈🌈参考通义千问和郭老师的小迷弟雅思莫了-编写提供🌈🌈🌈
您可以参考如下，如果回答的不正确，及时评论区回复我，我会根据你错误描述追加回复，直到您满意为止。

你运行的是多项逻辑回归模型，这个模型被用于处理因变量有多个类别的情况。在你的模型中，因变量（被解释变量）是 sleepduration_group。这个变量可能有多个值（或者说类别）。
在模型结果的输出中，2和3代表 sleepduration_group 这个多项分类变量的不同取值。也就是说，2 和 3 是你的 sleepduration_group 变量的两个类别。
模型的解释应该是：
Coefficients （系数）部分的每一行中的数值，表示在给定其他变量不变的情况下，sleepduration_group从参考类别变为该类别时，解释变量对应的变化量与sleepduration_group类别的对数几率比的关系。例如，ln_Phe1 在类别 2 的系数是 -0.002222278，表示如果 ln_Phe 增加1单位，类别从参考类别变为类别 2 的对数几率比将减小 -0.002222278 单位。
Std. Errors（标准误差）部分的每一行中的数值，代表对应解释变量的系数的标准误差，用于进行假设检验和构建置信区间。
参考类别通常默认为第一个类别，除非你在建模的时候指定了其他的类别。
Residual Deviance（残差偏差）表示模型的拟合优度，越小说明模型的拟合效果越好。
AIC（赤池信息量准则）同样是衡量模型质量的一个标准，考虑的是模型的复杂度和模型的拟合程度，值越小说明模型的效果越好。
另外，你可能需要检查你的模型结果，通过系数的显著性检验（p值或者使系数除以标准误差得到的z值），来判断哪些变量对于解释 sleepduration_group 是重要的。