<\/p>\n
La regressione logistica<\/strong> \u00e8 un metodo che possiamo utilizzare per adattare un modello di regressione quando la variabile di risposta<\/a> \u00e8 binaria.<\/span><\/p>\n Prima di adattare un modello a un set di dati, la regressione logistica parte dai seguenti presupposti:<\/span><\/p>\n La regressione logistica presuppone che la variabile di risposta abbia solo due possibili risultati. Ecco alcuni esempi:<\/span><\/p>\n Come verificare questo presupposto:<\/strong> contare semplicemente il numero di risultati unici che si verificano nella variabile di risposta. Se i risultati possibili sono pi\u00f9 di due, sar\u00e0 necessario eseguire invece una regressione ordinale<\/a> .<\/span><\/p>\n La regressione logistica presuppone che le osservazioni nel set di dati siano indipendenti l’una dall’altra. Cio\u00e8, le osservazioni non dovrebbero provenire da misurazioni ripetute dello stesso individuo o essere correlate tra loro in alcun modo.<\/span><\/p>\n Come testare questa ipotesi:<\/strong> Il modo pi\u00f9 semplice per testare questa ipotesi \u00e8 creare un grafico dei residui rispetto al tempo (cio\u00e8 l’ordine delle osservazioni) e osservare se esiste o meno una tendenza casuale. Se non<\/em> esiste uno schema casuale, questa ipotesi potrebbe essere violata.<\/span><\/p>\n La regressione logistica presuppone che non vi sia una seria multicollinearit\u00e0<\/a> tra le variabili esplicative<\/a> .<\/span><\/p>\n La multicollinearit\u00e0 si verifica quando due o pi\u00f9 variabili esplicative sono altamente correlate tra loro, in modo tale da non fornire informazioni uniche o indipendenti nel modello di regressione. Se il grado di correlazione tra le variabili \u00e8 sufficientemente elevato, ci\u00f2 pu\u00f2 causare problemi durante l’adattamento e l’interpretazione del modello.<\/span><\/p>\n Ad esempio, supponiamo di voler eseguire una regressione logistica utilizzando il salto verticale massimo<\/strong> come variabile di risposta e le seguenti variabili come variabili esplicative:<\/span><\/p>\n In questo caso, l\u2019altezza<\/strong> e il numero di scarpe<\/strong> sono probabilmente altamente correlati poich\u00e9 le persone pi\u00f9 alte tendono ad avere numeri di scarpe pi\u00f9 grandi. Ci\u00f2 significa che la multicollinearit\u00e0 sar\u00e0 probabilmente un problema se utilizziamo queste due variabili nella regressione.<\/span><\/p>\n Come verificare questo presupposto:<\/strong> il modo pi\u00f9 comune per rilevare la multicollinearit\u00e0 \u00e8 utilizzare il fattore di inflazione della varianza (VIF), che misura la correlazione e la forza della correlazione tra le variabili predittive in un modello di regressione. Dai un’occhiata a questo tutorial<\/a> per una spiegazione dettagliata su come calcolare e interpretare i valori VIF.<\/span><\/p>\n La regressione logistica presuppone che non vi siano valori anomali estremi o osservazioni influenti nel set di dati.<\/span><\/p>\n Come verificare questo presupposto:<\/strong> il modo pi\u00f9 comune per verificare la presenza di valori anomali estremi e osservazioni influenti in un set di dati \u00e8 calcolare la distanza di Cook<\/a> per ciascuna osservazione. Se sono effettivamente presenti valori anomali, \u00e8 possibile scegliere di (1) rimuoverli, (2) sostituirli con un valore come la media o la mediana o (3) semplicemente mantenerli nel modello ma prenderne nota quando si riporta la regressione . risultati.<\/span><\/p>\n La regressione logistica presuppone che esista una relazione lineare tra ciascuna variabile esplicativa e la logit della variabile di risposta. Ricordiamo che il logit \u00e8 definito come:<\/span><\/p>\n Logit(p) = log(p \/ (1-p)) dove p \u00e8 la probabilit\u00e0 di un risultato positivo.<\/span><\/p>\n Come verificare questa ipotesi:<\/strong> il modo pi\u00f9 semplice per verificare se questa ipotesi \u00e8 vera \u00e8 utilizzare un test di Box-Tidwell.<\/span><\/p>\n La regressione logistica presuppone che la dimensione del campione del set di dati sia sufficientemente grande da trarre conclusioni valide dal modello di regressione logistica adattato.<\/p>\n Come verificare questa ipotesi:<\/strong> come regola generale, dovresti avere un minimo di 10 casi con l’esito meno frequente per ciascuna variabile esplicativa. Ad esempio, se hai 3 variabili esplicative e la probabilit\u00e0 prevista del risultato meno frequente \u00e8 0,20, allora dovresti avere una dimensione del campione di almeno (10*3) \/ 0,20 = 150<\/strong> .<\/span><\/p>\n A differenza della regressione lineare, la regressione logistica non richiede:<\/span><\/p>\n Correlato:<\/span><\/strong> I quattro presupposti della regressione lineare<\/a><\/p>\n 4 esempi di utilizzo della regressione logistica nella vita reale<\/a> La regressione logistica \u00e8 un metodo che possiamo utilizzare per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria. Prima di adattare un modello a un set di dati, la regressione logistica parte dai seguenti presupposti: Presupposto n. 1: la variabile di risposta \u00e8 binaria La regressione logistica presuppone che la variabile […]<\/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 Presupposto n. 1: la variabile di risposta \u00e8 binaria<\/strong><\/span><\/h3>\n
\n
Ipotesi n.2: le osservazioni sono indipendenti<\/strong><\/span><\/h3>\n
Ipotesi n.3: non esiste multicollinearit\u00e0 tra le variabili esplicative<\/strong><\/span><\/h3>\n
\n
Presupposto n. 4: non esistono valori anomali estremi<\/strong><\/h3>\n
Ipotesi n. 5: esiste una relazione lineare tra le variabili esplicative e il logit della variabile di risposta<\/strong><\/span><\/h3>\n
Presupposto n. 6: la dimensione del campione \u00e8 sufficientemente ampia<\/strong><\/span><\/h3>\n
Ipotesi di regressione logistica vs. Regressione lineare<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione logistica in SPSS<\/a>
Come eseguire la regressione logistica in Excel<\/a>
Come eseguire la regressione logistica in Stata<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"