<\/p>\n
La regressione logistica<\/a> \u00e8 un metodo che possiamo utilizzare per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria.<\/span><\/p>\n Quando si adatta un modello di regressione logistica in R, i coefficienti nel riepilogo del modello rappresentano la variazione media nelle probabilit\u00e0 logaritmiche<\/strong> della variabile di risposta associata a un aumento di un’unit\u00e0 in ciascuna variabile predittrice.<\/span><\/p>\n Tuttavia, spesso vogliamo invece calcolare l’ odds ratio<\/strong> per le variabili predittive nel modello.<\/span><\/p>\n Per calcolare rapidamente i rapporti odd per ciascuna variabile predittore nel modello, \u00e8 possibile utilizzare la seguente sintassi:<\/span><\/p>\n Puoi anche calcolare un intervallo di confidenza al 95% per ciascun rapporto di probabilit\u00e0 utilizzando la seguente sintassi:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa sintassi per calcolare e interpretare i rapporti odd per un modello di regressione logistica in R.<\/span><\/p>\n Per questo esempio utilizzeremo il set di dati predefinito<\/strong> del pacchetto ISLR<\/strong> in R.<\/span><\/p>\n Possiamo utilizzare il seguente codice per caricare e visualizzare un riepilogo del set di dati:<\/span><\/p>\n Questo set di dati contiene le seguenti informazioni su 10.000 individui:<\/span><\/p>\n Utilizzeremo lo status di studente, il saldo bancario e il reddito per costruire un modello di regressione logistica che predice la probabilit\u00e0 che un dato individuo vada in default.<\/span><\/p>\n Possiamo utilizzare la funzione glm<\/strong> e specificare family=’binomial’ in modo che R adatti un modello di regressione logistica al set di dati:<\/span><\/p>\n I coefficienti nel risultato indicano la variazione media del log odds di default.<\/span><\/p>\n Ad esempio, un aumento di un\u2019unit\u00e0 del saldo<\/strong> \u00e8 associato a un aumento medio di 0,005988<\/strong> nella probabilit\u00e0 logaritmica di default.<\/span><\/p>\n Per calcolare invece l’odds ratio per ciascuna variabile predittrice, possiamo utilizzare la seguente sintassi:<\/span><\/p>\n Possiamo anche calcolare ciascun rapporto di probabilit\u00e0 nonch\u00e9 un intervallo di confidenza al 95% per ciascun rapporto di probabilit\u00e0:<\/span><\/p>\n L’odds ratio per ciascun coefficiente rappresenta l’aumento medio delle probabilit\u00e0 di default di un individuo, presupponendo che tutte le altre variabili predittive rimangano costanti.<\/span><\/p>\n Ad esempio, il saldo<\/strong> della variabile predittore ha un rapporto odd di 1.0057<\/strong> .<\/span><\/p>\n Ci\u00f2 significa che per ogni dollaro aggiuntivo nel saldo che un individuo porta con s\u00e9, le probabilit\u00e0 che l\u2019individuo risulti inadempiente sul prestito aumentano di un fattore pari a 1,0057<\/strong> , assumendo che lo status di studente e il reddito rimangano costanti<\/em> .<\/span><\/p>\n Possiamo interpretare i rapporti odd per le altre variabili predittive allo stesso modo.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come utilizzare Predict() con il modello di regressione logistica in R<\/a> La regressione logistica \u00e8 un metodo che possiamo utilizzare per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria. Quando si adatta un modello di regressione logistica in R, i coefficienti nel riepilogo del modello rappresentano la variazione media nelle probabilit\u00e0 logaritmiche della variabile di risposta associata a un aumento di un’unit\u00e0 […]<\/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
Esempio: calcolo dei rapporti odd in un modello di regressione logistica in 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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come interpretare Pr(>|z|) nell’output della regressione logistica in R<\/a>
Come tracciare una curva di regressione logistica in R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"