在调整潜在的混杂因素后，逻辑回归通常用于识别对二元变量的影响。在医学文献中，我有时会遇到这样的说法：$x$$y$$x_1,...,x_n$

和之间的关系分别被评估以识别非线性关系。当识别出非线性关系时，在视觉上选择截止值对变量进行分类。$x_1,...,x_n$$y$

也就是说，这种关系的非线性性质被分类“解释”了。正如这里和其他地方所阐述的，由于多种原因，这不是一个好的做法。

尽管这种方法存在问题，但我意识到我不确定如何完成这种可视化。最明显的解释是他们正在可视化每个与图。但是，这并没有考虑之间的相关性。也就是说，如果和不是独立的，那么和之间的关系可能会受到模型中包含的影响——可能会使截止值变得毫无意义。$x_i$$y$$i$$x_i$$x_1$$x_2$$y$$x_1$$x_2$

如何在为调整另一个和之间的关系？我认为这可以通过将所有其他回归到来完成，然后以某种方式绘制残差对。这会是“正确”的程序吗？如果当您为包含 和之间的关系发生变化，那么您将按照什么“顺序”对变量进行分类？$y$$x_i$$x_j$$j\neq i$$x_j$$y$$x_i$$y$$x_i$$x_j$$j\neq i$

同样，这不是关于分类陷阱的问题。和之间的关系受到其他协变量的影响时，我试图了解如何通过可视化进行分类。$x_i$$y$