<\/p>\n
Ogni volta che esegui una regressione logistica in R, l’output del tuo modello di regressione verr\u00e0 visualizzato nel seguente formato:<\/span><\/p>\n La colonna Pr(>|z|)<\/strong> rappresenta il valore p associato al valore nella colonna del valore z<\/strong> .<\/span><\/p>\n Se il valore p \u00e8 inferiore a un certo livello di significativit\u00e0 (ad esempio \u03b1 = 0,05), ci\u00f2 indica che la variabile predittore ha una relazione statisticamente significativa con la variabile di risposta<\/a> nel modello.<\/span><\/p>\n L’esempio seguente mostra come interpretare nella pratica i valori della colonna Pr(>|z|) per un modello di regressione logistica.<\/span><\/p>\n Il codice seguente mostra come adattare un modello di regressione logistica<\/a> in R utilizzando il set di dati mtcars<\/strong> integrato:<\/span><\/p>\n Ecco come interpretare i valori nella colonna Pr(>|z|):<\/span><\/p>\n I codici di significativit\u00e0<\/a> sotto la tabella dei coefficienti ci dicono che un singolo asterisco (*) accanto al valore p di 0,0315 significa che il valore p \u00e8 statisticamente significativo a \u03b1 = 0,05.<\/span><\/p>\n Ecco come viene effettivamente calcolato il valore di Pr(>|z|):<\/span><\/p>\n Passaggio 1: calcolare il valore z<\/strong><\/span><\/p>\n Innanzitutto, calcoliamo il valore z<\/strong> utilizzando la seguente formula:<\/span><\/p>\n Ad esempio, ecco come calcolare il valore z per la variabile predittrice \u201cdrat\u201d:<\/span><\/p>\n Passaggio 2: calcolare il valore p<\/strong><\/span><\/p>\n Successivamente, calcoliamo il valore p a due code. Ci\u00f2 rappresenta la probabilit\u00e0 che il valore assoluto della distribuzione normale sia maggiore di 2,151 o minore di -2,151.<\/span><\/p>\n Possiamo usare la seguente formula in R per calcolare questo valore:<\/span><\/p>\n Ad esempio, ecco come calcolare il valore p a due code per un valore z di 2,151:<\/span><\/p>\n Si noti che questo valore p corrisponde al valore p nell’output della regressione sopra.<\/span><\/p>\n I seguenti tutorial spiegano come adattare diversi modelli di regressione in R:<\/span><\/p>\n Come eseguire la regressione logistica in R Ogni volta che esegui una regressione logistica in R, l’output del tuo modello di regressione verr\u00e0 visualizzato nel seguente formato: Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -17.638452 9.165482 -1.924 0.0543 . available -0.004153 0.006621 -0.627 0.5305 drat 4.879396 2.268115 2.151 0.0315 * La colonna Pr(>|z|) rappresenta il valore p associato al valore nella […]<\/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 Coefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -17.638452 9.165482 -1.924 0.0543 .\navailable -0.004153 0.006621 -0.627 0.5305 \ndrat 4.879396 2.268115 2.151 0.0315 * \n<\/span><\/span><\/strong><\/pre>\n Esempio: come interpretare i valori Pr(>|z|).<\/strong><\/span><\/h3>\n
#fit logistic regression model\n<\/span>model <- glm(am ~ disp + drat, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + drat, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.5773 -0.2273 -0.1155 0.5196 1.8957 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -17.638452 9.165482 -1.924 0.0543 .\navailable -0.004153 0.006621 -0.627 0.5305 \ndrat 4.879396 2.268115 2.151 0.0315 *\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: 43,230 on 31 degrees of freedom\nResidual deviance: 21,268 on 29 degrees of freedom\nAIC: 27,268\n\nNumber of Fisher Scoring iterations: 6<\/strong><\/span><\/pre>\n\n
Come viene calcolato Pr(>|z|)?<\/strong><\/span><\/h3>\n
\n
#calculate z-value<\/span>\n4.879396 \/ 2.268115<\/span>\n\n[1] 2.151\n<\/strong><\/pre>\n\n
#calculate p-value<\/span>\n2*(1-pnorm(2.151))\n\n[1] 0.0314762\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire una regressione lineare semplice in R<\/a>
Come eseguire la regressione lineare multipla in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"