एसपीएसएस में लॉजिस्टिक रिग्रेशन कैसे करें

लॉजिस्टिक रिग्रेशन एक ऐसी विधि है जिसका उपयोग हम रिग्रेशन मॉडल को फिट करने के लिए करते हैं जब प्रतिक्रिया चर बाइनरी होता है।

यह ट्यूटोरियल बताता है कि एसपीएसएस में लॉजिस्टिक रिग्रेशन कैसे करें।

उदाहरण: एसपीएसएस में लॉजिस्टिक रिग्रेशन

डेटा सेट के लिए एसपीएसएस में लॉजिस्टिक रिग्रेशन करने के लिए निम्नलिखित चरणों का उपयोग करें जो यह दर्शाता है कि कॉलेज बास्केटबॉल खिलाड़ियों को उनके जीपीए के आधार पर एनबीए में ड्राफ्ट किया गया था या नहीं (ड्राफ्ट: 0 = नहीं, 1 = हां)। प्रति गेम अंक और उनका प्रभाग स्तर।

चरण 1: डेटा दर्ज करें।

सबसे पहले, निम्नलिखित डेटा दर्ज करें:

चरण 2: लॉजिस्टिक रिग्रेशन करें।

विश्लेषण टैब पर क्लिक करें, फिर रिग्रेशन , फिर बाइनरी लॉजिस्टिक रिग्रेशन पर क्लिक करें :

दिखाई देने वाली नई विंडो में, बाइनरी रिस्पॉन्स वेरिएबल प्रोजेक्ट को डिपेंडेंट लेबल वाले क्षेत्र में खींचें। फिर प्रेडिक्टर वेरिएबल्स के कोलन और डिवीजन को 1 में से ब्लॉक 1 लेबल वाले बॉक्स में खींचें। विधि को एंटर पर सेट रहने दें। फिर ओके पर क्लिक करें.

चरण 3. परिणाम की व्याख्या करें।

एक बार जब आप ओके पर क्लिक करेंगे, तो लॉजिस्टिक रिग्रेशन परिणाम दिखाई देगा:

यहां परिणाम की व्याख्या करने का तरीका बताया गया है:

मॉडल सारांश: इस तालिका में सबसे उपयोगी मीट्रिक नागेलकेरके आर स्क्वायर है, जो हमें प्रतिक्रिया चर में भिन्नता का प्रतिशत बताता है जिसे भविष्यवक्ता चर द्वारा समझाया जा सकता है। इस मामले में, अंक और विभाजन ड्राफ्ट परिवर्तनशीलता के 72.5% को समझा सकते हैं।

वर्गीकरण तालिका: इस तालिका में सबसे उपयोगी मीट्रिक समग्र प्रतिशत है, जो हमें उन टिप्पणियों का प्रतिशत बताता है जिन्हें मॉडल सही ढंग से वर्गीकृत करने में सक्षम था। इस मामले में, लॉजिस्टिक रिग्रेशन मॉडल 85.7% खिलाड़ियों के ड्राफ्ट परिणाम की सही भविष्यवाणी करने में सक्षम था।

समीकरण में चर: यह अंतिम तालिका हमें कई उपयोगी माप प्रदान करती है, जिनमें शामिल हैं:

• वाल्ड: प्रत्येक भविष्यवक्ता चर के लिए वाल्ड परीक्षण आँकड़ा, जिसका उपयोग यह निर्धारित करने के लिए किया जाता है कि प्रत्येक भविष्यवक्ता चर सांख्यिकीय रूप से महत्वपूर्ण है या नहीं।
• सिग: पी-वैल्यू जो प्रत्येक भविष्यवक्ता चर के लिए वाल्ड परीक्षण आंकड़े से मेल खाता है। हम देखते हैं कि अंकों के लिए पी-मान 0.039 है और विभाजन के लिए पी-मान 0.557 है।
• ऍक्स्प (बी): प्रत्येक भविष्यवक्ता चर के लिए विषम अनुपात। यह हमें बताता है कि किसी दिए गए भविष्यवक्ता चर में एक-इकाई वृद्धि के साथ किसी खिलाड़ी के ड्राफ्ट किए जाने की संभावना में बदलाव होता है। उदाहरण के लिए, डिविजन 2 के खिलाड़ी के ड्राफ्ट होने की संभावना डिविजन 1 के खिलाड़ी के ड्राफ्ट होने की संभावना की केवल 0.339 है। इसी तरह, प्रति गेम अंकों में प्रत्येक अतिरिक्त इकाई वृद्धि एक खिलाड़ी के ड्राफ्ट होने की संभावना में 1,319 की वृद्धि के साथ जुड़ी हुई है।

फिर हम निम्न सूत्र का उपयोग करके किसी दिए गए खिलाड़ी को ड्राफ्ट किए जाने की संभावना का अनुमान लगाने के लिए गुणांक (बी लेबल वाले कॉलम में मान) का उपयोग कर सकते हैं:

प्रायिकता = e ^{-3.152 + 0.277 (अंक) – 1.082 (विभाजन)} / (1+e ^{-3.152 + 0.277 (अंक) – 1.082 (विभाजन)} )

उदाहरण के लिए, संभावना है कि एक खिलाड़ी जो प्रति गेम औसतन 20 अंक प्राप्त करता है और डिवीजन 1 में खेलता है, उसे ड्राफ्ट किया जाएगा, इसकी गणना निम्नानुसार की जा सकती है:

प्रायिकता = e ^{-3.152 + 0.277(20) – 1.082(1)} / (1+e ^{-3.152 + 0.277(20) – 1.082(1)} ) = 0.787 ।

चूँकि यह संभावना 0.5 से अधिक है, हम भविष्यवाणी करेंगे कि इस खिलाड़ी को ड्राफ्ट किया जाएगा।

चरण 4. परिणामों की रिपोर्ट करें.

अंत में, हम अपने लॉजिस्टिक रिग्रेशन के परिणामों की रिपोर्ट करना चाहेंगे। यह कैसे करें इसका एक उदाहरण यहां दिया गया है:

यह निर्धारित करने के लिए एक लॉजिस्टिक रिग्रेशन किया गया था कि प्रति गेम और डिवीजन स्तर पर अंक बास्केटबॉल खिलाड़ी के ड्राफ्ट होने की संभावना को कैसे प्रभावित करते हैं। विश्लेषण में कुल 14 खिलाड़ियों का उपयोग किया गया।

मॉडल ने परियोजना के परिणाम में 72.5% भिन्नता को समझाया और 85.7% मामलों को सही ढंग से वर्गीकृत किया।

डिविजन 2 के खिलाड़ी के ड्राफ्ट होने की संभावना डिविजन 1 के खिलाड़ी के ड्राफ्ट होने की संभावना की केवल 0.339 थी।

प्रति गेम अंकों में प्रत्येक अतिरिक्त इकाई वृद्धि एक खिलाड़ी के ड्राफ्ट किए जाने की संभावना में 1,319 की वृद्धि के साथ जुड़ी हुई थी।