संपूर्ण गाइड: लॉजिस्टिक रिग्रेशन परिणामों की रिपोर्ट कैसे करें

लॉजिस्टिक रिग्रेशन एक प्रकार का रिग्रेशन विश्लेषण है जिसका उपयोग हम तब करते हैं जब प्रतिक्रिया चर द्विआधारी होता है।

लॉजिस्टिक रिग्रेशन मॉडल के परिणामों की रिपोर्ट करने के लिए हम निम्नलिखित सामान्य प्रारूप का उपयोग कर सकते हैं:

लॉजिस्टिक रिग्रेशन का उपयोग [भविष्यवक्ता चर 1], [भविष्यवक्ता चर 2],…[भविष्यवक्ता चर एन ] और [प्रतिक्रिया चर] के बीच संबंधों का विश्लेषण करने के लिए किया गया था।

यह पाया गया कि, अन्य सभी भविष्यवक्ता चर को स्थिर रखने पर, एक इकाई की वृद्धि के लिए [प्रतिक्रिया चर] होने की संभावना [कुछ प्रतिशत] (95% सीआई [निचली सीमा, ऊपरी सीमा]) तक [बढ़ती या घटती] है। [भविष्यवक्ता चर 1]।

यह पाया गया कि, अन्य सभी भविष्यवक्ता चर को स्थिर रखने पर, एक इकाई की वृद्धि के लिए [प्रतिक्रिया चर] होने की संभावना [कुछ प्रतिशत] (95% सीआई [निचली सीमा, ऊपरी सीमा]) तक [बढ़ती या घटती] है। [भविष्यवक्ता चर 2]।

…

हम इस मूल वाक्यविन्यास का उपयोग मॉडल में प्रत्येक भविष्यवक्ता चर के विषम अनुपात और संबंधित 95% विश्वास अंतराल की रिपोर्ट करने के लिए कर सकते हैं।

निम्नलिखित उदाहरण दिखाता है कि व्यवहार में लॉजिस्टिक रिग्रेशन मॉडल के परिणामों की रिपोर्ट कैसे करें।

उदाहरण: लॉजिस्टिक रिग्रेशन परिणामों की रिपोर्टिंग

मान लीजिए कि एक प्रोफेसर यह समझना चाहता है कि क्या अध्ययन के दो अलग-अलग कार्यक्रम (प्रोग्राम ए और प्रोग्राम बी) और अध्ययन किए गए घंटों की संख्या इस संभावना को प्रभावित करती है कि एक छात्र अपनी कक्षा की अंतिम परीक्षा उत्तीर्ण करेगा।

यह अध्ययन के घंटों और अध्ययन कार्यक्रम को भविष्यवक्ता चर के रूप में और परीक्षा परिणाम (उत्तीर्ण या असफल) को प्रतिक्रिया चर के रूप में उपयोग करते हुए एक लॉजिस्टिक रिग्रेशन मॉडल में फिट बैठता है।

निम्नलिखित आउटपुट लॉजिस्टिक रिग्रेशन मॉडल के परिणाम दिखाता है:

 Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.415 0.623 -3.876 <0.000
program_A 0.344 0.156 2.205 0.027
hours 0.006 0.002 3.000 0.003

लॉजिस्टिक रिग्रेशन मॉडल के परिणामों की रिपोर्ट करने से पहले, हमें पहले सूत्र ई ^β का उपयोग करके प्रत्येक भविष्यवक्ता चर के लिए अंतर अनुपात की गणना करनी चाहिए।

उदाहरण के लिए, यहां बताया गया है कि प्रत्येक भविष्यवक्ता चर के लिए विषम अनुपात की गणना कैसे करें:

• प्रोग्राम ऑड्स अनुपात: ई ^0.344 = 1.41
• घंटों का विषम अनुपात: ई ^0.006 = 1.006

हमें सूत्र ई ^{(β +/- 1.96*मानक त्रुटि)} का उपयोग करके प्रत्येक भविष्यवक्ता चर के विषम अनुपात के लिए 95% विश्वास अंतराल की गणना करने की भी आवश्यकता है।

उदाहरण के लिए, यहां बताया गया है कि प्रत्येक भविष्यवक्ता चर के लिए विषम अनुपात की गणना कैसे करें:

• प्रोग्राम ऑड्स अनुपात के लिए 95% सीआई: ई ^{0.344 +/- 1.96*0.156} = [1.04, 1.92]
• घंटों के विषम अनुपात के लिए 95% सीआई: ई ^{0.006 +/- 1.96*0.002} = [1.002, 1.009]

अब जब हमने प्रत्येक भविष्यवक्ता चर के लिए विषम अनुपात और संबंधित आत्मविश्वास अंतराल की गणना कर ली है, तो हम मॉडल परिणामों की रिपोर्ट इस प्रकार कर सकते हैं:

अंतिम परीक्षा उत्तीर्ण करने की संभावना पर पाठ्यक्रम और अध्ययन किए गए घंटों के बीच संबंधों का विश्लेषण करने के लिए लॉजिस्टिक रिग्रेशन का उपयोग किया गया था।

यह पाया गया कि, अध्ययन के घंटों की संख्या को स्थिर रखने पर, अध्ययन कार्यक्रम ए बनाम अध्ययन कार्यक्रम बी का उपयोग करने वाले छात्रों के लिए अंतिम परीक्षा उत्तीर्ण करने की संभावना 41% (95% सीआई [0.04, 0.92]) बढ़ गई।

यह भी पाया गया कि, अध्ययन कार्यक्रम को स्थिर रखने पर, अध्ययन किए गए प्रत्येक अतिरिक्त घंटे के लिए अंतिम परीक्षा उत्तीर्ण करने की संभावना 0.6% (95% सीआई [0.002, 0.009]) बढ़ गई।

ध्यान दें कि हमने मॉडल बीटा मानों के विपरीत भविष्यवक्ता चर के लिए विषम अनुपात की सूचना दी है क्योंकि विषम अनुपात की व्याख्या करना और समझना आसान है।

अतिरिक्त संसाधन

निम्नलिखित ट्यूटोरियल लॉजिस्टिक रिग्रेशन पर अतिरिक्त जानकारी प्रदान करते हैं:

लॉजिस्टिक रिग्रेशन का परिचय
आर में लॉजिस्टिक रिग्रेशन कैसे करें
पायथन में लॉजिस्टिक रिग्रेशन कैसे करें
वास्तविक जीवन में लॉजिस्टिक रिग्रेशन का उपयोग करने के 4 उदाहरण