La regressione logistica utilizza un metodo noto come stima di massima verosimiglianza<\/em> per trovare un’equazione della seguente forma:<\/span><\/p>\n log[p(X) \/ (1 –<\/sub> p(X))] = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> + \u03b2 2<\/sub> X 2<\/sub> + \u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n La formula sul lato destro dell’equazione prevede le probabilit\u00e0 logaritmiche<\/strong> che la variabile di risposta assuma il valore 1.<\/span><\/p>\n Il seguente esempio passo passo mostra come adattare un modello di regressione logistica in SAS.<\/span><\/p>\n Innanzitutto, creeremo un set di dati contenente informazioni sulle seguenti tre variabili per 18 studenti:<\/span><\/p>\n Successivamente, utilizzeremo la logistica di processo<\/strong> per adattare il modello di regressione logistica, utilizzando “accettazione” come variabile di risposta e “gpa” e “agire” come variabili predittive.<\/span><\/p>\n Nota<\/strong> : \u00e8 necessario specificare la diminuzione<\/strong> affinch\u00e9 SAS possa prevedere la probabilit\u00e0 che la variabile di risposta assuma un valore pari a 1. Per impostazione predefinita, SAS prevede la probabilit\u00e0 che la variabile di risposta assuma un valore pari a 0.<\/span> <\/p>\n La prima tabella di interesse \u00e8 intitolata Statistiche di adattamento del modello<\/strong> .<\/span><\/p>\n Da questa tabella possiamo vedere il valore AIC del modello, che risulta essere 16.595<\/strong> . Pi\u00f9 basso \u00e8 il valore AIC, migliore \u00e8 la capacit\u00e0 del modello di adattare i dati.<\/span><\/p>\n Tuttavia, non esiste una soglia per ci\u00f2 che \u00e8 considerato un valore AIC “buono”<\/a> . Utilizziamo piuttosto l’AIC per confrontare l’adattamento di pi\u00f9 modelli allo stesso set di dati. Il modello con il valore AIC pi\u00f9 basso \u00e8 generalmente considerato il migliore.<\/span><\/p>\n La prossima tabella di interesse \u00e8 intitolata Test dell’ipotesi nulla globale: BETA=0<\/strong> .<\/span><\/p>\n Da questa tabella, possiamo vedere il valore chi-quadrato del rapporto di verosimiglianza di 13,4620<\/strong> con un valore p corrispondente di 0,0012<\/strong> .<\/span><\/p>\n Poich\u00e9 questo valore p \u00e8 inferiore a 0,05, ci\u00f2 ci dice che il modello di regressione logistica nel suo insieme \u00e8 statisticamente significativo.<\/span><\/p>\n Successivamente, possiamo analizzare le stime dei coefficienti nella tabella intitolata Analisi delle stime di massima verosimiglianza<\/strong> .<\/span><\/p>\n Da questa tabella possiamo vedere i coefficienti per gpa e act, che indicano la variazione media nelle probabilit\u00e0 logaritmiche di essere accettati al college per un aumento di un’unit\u00e0 in ciascuna variabile.<\/span><\/p>\n Per esempio:<\/span><\/p>\n I corrispondenti valori p nel risultato ci danno anche un’idea di quanto sia efficace ciascuna variabile predittiva nel prevedere la probabilit\u00e0 di essere accettato:<\/span><\/p>\n Questo ci dice che il GPA sembra essere un predittore statisticamente significativo dell’accettazione del college, mentre il punteggio ACT non sembra essere statisticamente significativo.<\/span><\/p>\n I seguenti tutorial spiegano come adattare altri modelli di regressione in SAS:<\/span><\/p>\n Come eseguire una regressione lineare semplice in SAS<\/a> La regressione logistica \u00e8 un metodo che possiamo utilizzare per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria. La regressione logistica utilizza un metodo noto come stima di massima verosimiglianza per trovare un’equazione della seguente forma: log[p(X) \/ (1 – p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 […]<\/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
Passaggio 1: crea il set di dati<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/journalsas1.jpg\")
<\/p>\n Passaggio 2: adattare il modello di regressione logistica<\/strong><\/span><\/h3>\n
\/*fit logistic regression model*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending<\/span> ;\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logsas2.jpg\")
<\/p>\n\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"