<\/p>\n
Regresi logistik<\/a> adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya adalah biner.<\/span><\/p>\n Saat Anda memasukkan model regresi logistik ke dalam R, koefisien dalam ringkasan model mewakili perubahan rata-rata dalam log odds<\/strong> dari variabel respons yang terkait dengan peningkatan satu unit di setiap variabel prediktor.<\/span><\/p>\n Namun, sering kali kita ingin menghitung rasio odds<\/strong> untuk variabel prediktor dalam model.<\/span><\/p>\n Untuk menghitung rasio odds dengan cepat untuk setiap variabel prediktor dalam model, Anda dapat menggunakan sintaks berikut:<\/span><\/p>\n Anda juga dapat menghitung interval kepercayaan 95% untuk setiap rasio odds menggunakan sintaks berikut:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaks ini untuk menghitung dan menafsirkan rasio odds untuk model regresi logistik di R.<\/span><\/p>\n Untuk contoh ini, kita akan menggunakan dataset default<\/strong> dari paket ISLR<\/strong> di R.<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk memuat dan menampilkan ringkasan kumpulan data:<\/span><\/p>\n Kumpulan data ini berisi informasi berikut tentang 10.000 individu:<\/span><\/p>\n Kami akan menggunakan status pelajar, saldo bank, dan pendapatan untuk membangun model regresi logistik yang memprediksi kemungkinan seseorang mengalami gagal bayar.<\/span><\/p>\n Kita dapat menggunakan fungsi glm<\/strong> dan menentukan family=’binomial’ sehingga R cocok dengan model regresi logistik ke kumpulan data:<\/span><\/p>\n Koefisien dalam hasil menunjukkan perubahan rata-rata dalam log odds of default.<\/span><\/p>\n Misalnya, peningkatan saldo<\/strong> sebesar satu unit dikaitkan dengan peningkatan rata-rata sebesar 0,005988<\/strong> dalam log probabilitas gagal bayar.<\/span><\/p>\n Untuk menghitung rasio odds setiap variabel prediktor, kita dapat menggunakan sintaks berikut:<\/span><\/p>\n Kami juga dapat menghitung setiap rasio odds serta interval kepercayaan 95% untuk setiap rasio odds:<\/span><\/p>\n Rasio odds untuk setiap koefisien mewakili peningkatan rata-rata dalam probabilitas default individu, dengan asumsi semua variabel prediktor lainnya tetap konstan.<\/span><\/p>\n Misalnya keseimbangan<\/strong> variabel prediktor memiliki rasio odds sebesar 1,0057<\/strong> .<\/span><\/p>\n Ini berarti bahwa untuk setiap tambahan dolar dalam saldo yang dimiliki seseorang, kemungkinan individu tersebut akan gagal membayar pinjamannya meningkat sebesar 1,0057<\/strong> kali lipat, dengan asumsi status pelajar dan pendapatan tetap konstan<\/em> .<\/span><\/p>\n Kita dapat menafsirkan rasio odds untuk variabel prediktor lainnya dengan cara yang sama.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara menggunakan Predict() dengan model regresi logistik di R<\/a> Regresi logistik adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya adalah biner. Saat Anda memasukkan model regresi logistik ke dalam R, koefisien dalam ringkasan model mewakili perubahan rata-rata dalam log odds dari variabel respons yang terkait dengan peningkatan satu unit di setiap variabel prediktor. Namun, sering kali kita ingin menghitung […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n exp(coef(model))\n<\/strong><\/pre>\n
exp(cbind(Odds_Ratio = coef(model), confint(model)))<\/strong><\/pre>\n
Contoh: Menghitung Rasio Odds dalam Model Regresi Logistik di R<\/strong><\/span><\/h2>\n
library<\/span> (ISLR)\n\n#view first five rows of Default dataset\n<\/span>head(Default)\n\n default student balance income\n1 No No 729.5265 44361.625\n2 No Yes 817.1804 12106.135\n3 No No 1073.5492 31767.139\n4 No No 529.2506 35704.494\n5 No No 785.6559 38463.496\n6 No Yes 919.5885 7491.559<\/strong><\/pre>\n\n
#fit logistic regression model<\/span>\nmodel <- glm(default~student+balance+income, family=' binomial<\/span> ', data=Default)\n\n#disable scientific notation for model summary<\/span>\noptions(scipen=999)\n\n#view model summary<\/span>\nsummary(model)\n\nCall:\nglm(formula = default ~ student + balance + income, family = \"binomial\", \n data = train)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.5586 -0.1353 -0.0519 -0.0177 3.7973 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -11.478101194 0.623409555 -18.412 <0.0000000000000002 ***\nstudentYes -0.493292438 0.285735949 -1.726 0.0843 . \nbalance 0.005988059 0.000293765 20.384 <0.0000000000000002 ***\nincome 0.000007857 0.000009965 0.788 0.4304 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2021.1 on 6963 degrees of freedom\nResidual deviance: 1065.4 on 6960 degrees of freedom\nAIC: 1073.4\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #calculate odds ratio for each predictor variable<\/span>\nexp(coef(model))\n\n (Intercept) studentYes balance income \n0.00001903854 0.52373166965 1.00575299051 1.00000303345 \n<\/strong><\/pre>\n #calculate odds ratio and 95% confidence interval for each predictor variable<\/span> \nexp(cbind(Odds_Ratio = coef(model), confint(model)))\n\n Odds_Ratio 2.5% 97.5%\n(Intercept) 0.00001903854 0.000007074481 0.0000487808\nstudentYes 0.52373166965 0.329882707270 0.8334223982\nbalance 1.00575299051 1.005308940686 1.0062238757\nincome 1.00000303345 0.999986952969 1.0000191246\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Bagaimana menafsirkan Pr(>|z|) dalam keluaran regresi logistik di R<\/a>
Cara memplot kurva regresi logistik di R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"