<\/p>\n
La regressione logistica<\/strong> \u00e8 un tipo di analisi di regressione che utilizziamo quando la variabile di risposta<\/a> \u00e8 binaria.<\/span><\/p>\n Possiamo utilizzare il seguente formato generale per riportare i risultati di un modello di regressione logistica:<\/span><\/p>\n La regressione logistica \u00e8 stata utilizzata per analizzare la relazione tra [variabile predittore 1], [variabile predittore 2],\u2026[variabile predittore n<\/em> ] e [variabile risposta].<\/span><\/p>\n Si \u00e8 scoperto che, mantenendo costanti tutte le altre variabili predittive, la probabilit\u00e0 che [variabile di risposta] si verifichi [aumenta o diminuisce] di [una piccola percentuale] (IC al 95% [limite inferiore, limite superiore]) per un aumento di un’unit\u00e0 in [variabile predittiva 1].<\/span><\/p>\n Si \u00e8 scoperto che, mantenendo costanti tutte le altre variabili predittive, la probabilit\u00e0 che [variabile di risposta] si verifichi [aumenta o diminuisce] di [una piccola percentuale] (IC al 95% [limite inferiore, limite superiore]) per un aumento di un’unit\u00e0 in [variabile predittiva 2].<\/span><\/p>\n \u2026<\/span><\/p>\n<\/blockquote>\n Possiamo utilizzare questa sintassi di base per riportare i rapporti odd e il corrispondente intervallo di confidenza al 95% per i rapporti odd di ciascuna variabile predittiva nel modello.<\/span><\/p>\n L’esempio seguente mostra come riportare nella pratica i risultati di un modello di regressione logistica.<\/span><\/p>\n Supponiamo che un professore voglia capire se due diversi programmi di studio (Programma A e Programma B) e il numero di ore studiate influiscono sulla probabilit\u00e0 che uno studente superi l’esame finale della sua classe.<\/span><\/p>\n Si adatta a un modello di regressione logistica che utilizza le ore di studio e il programma di studio come variabili predittive e il risultato dell’esame (superato o fallito) come variabile di risposta.<\/span><\/p>\n Il seguente output mostra i risultati del modello di regressione logistica:<\/span><\/p>\n Prima di riportare i risultati del modello di regressione logistica, dobbiamo prima calcolare l’odds ratio per ciascuna variabile predittrice utilizzando la formula e \u03b2<\/sup> .<\/span><\/p>\n Ad esempio, ecco come calcolare il rapporto odd per ciascuna variabile predittrice:<\/span><\/p>\n Dobbiamo anche calcolare l’intervallo di confidenza al 95% per l’odds ratio di ciascuna variabile predittrice utilizzando la formula e (\u03b2 +\/- 1,96*errore standard)<\/sup> .<\/span><\/p>\n Ad esempio, ecco come calcolare il rapporto odd per ciascuna variabile predittrice:<\/span><\/p>\n Ora che abbiamo calcolato l’odds ratio e il corrispondente intervallo di confidenza per ciascuna variabile predittiva, possiamo riportare i risultati del modello come segue:<\/span><\/p>\n Per analizzare la relazione tra curriculum e ore studiate sulla probabilit\u00e0 di superare un esame finale \u00e8 stata utilizzata la regressione logistica.<\/span><\/p>\n \u00c8 stato riscontrato che, mantenendo costante il numero di ore di studio, le probabilit\u00e0 di superare l\u2019esame finale aumentavano del 41% (95% CI [0,04, 0,92]) per gli studenti che utilizzavano il programma di studio A rispetto al programma di studio B.<\/span><\/p>\n \u00c8 stato inoltre riscontrato che, mantenendo costante il programma di studio, le probabilit\u00e0 di superare l’esame finale aumentavano dello 0,6% (95% CI [0,002, 0,009]) per ogni ora studiata in pi\u00f9.<\/span><\/p>\n<\/blockquote>\n Si noti che abbiamo riportato i rapporti di probabilit\u00e0 per le variabili predittive rispetto ai valori beta del modello perch\u00e9 i rapporti di probabilit\u00e0 sono pi\u00f9 facili da interpretare e comprendere.<\/span><\/p>\n Le seguenti esercitazioni forniscono informazioni aggiuntive sulla regressione logistica:<\/span><\/p>\n Introduzione alla regressione logistica<\/a> La regressione logistica \u00e8 un tipo di analisi di regressione che utilizziamo quando la variabile di risposta \u00e8 binaria. Possiamo utilizzare il seguente formato generale per riportare i risultati di un modello di regressione logistica: La regressione logistica \u00e8 stata utilizzata per analizzare la relazione tra [variabile predittore 1], [variabile predittore 2],\u2026[variabile predittore n ] […]<\/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\n
Esempio: reporting dei risultati della regressione logistica<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -2.415 0.623 -3.876 <0.000\nprogram_A 0.344 0.156 2.205 0.027\nhours 0.006 0.002 3.000 0.003\n<\/strong><\/pre>\n
\n
\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione logistica in R
Come eseguire la regressione logistica in Python<\/a>
4 esempi di utilizzo della regressione logistica nella vita reale<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"