完全ガイド: ロジスティック回帰結果をレポートする方法

ロジスティック回帰は、応答変数がバイナリの場合に使用する回帰分析の一種です。

次の一般的な形式を使用して、ロジスティック回帰モデルの結果をレポートできます。

ロジスティック回帰を使用して、[予測子変数 1]、[予測子変数 2]、…[予測子変数n ] と [応答変数] の間の関係を分析しました。

他のすべての予測変数を一定に保つと、[応答変数] が発生する確率は、単位が 1 増加すると [数パーセント] (95% CI [下限、上限]) [増加または減少] することがわかりました。 [予測変数 1]。

他のすべての予測変数を一定に保つと、[応答変数] が発生する確率は、単位が 1 増加すると [数パーセント] (95% CI [下限、上限]) [増加または減少] することがわかりました。 [予測変数 2]。

…

この基本的な構文を使用して、モデル内の各予測子変数のオッズ比と、オッズ比に対応する 95% 信頼区間をレポートできます。

次の例は、実際にロジスティック回帰モデルの結果をレポートする方法を示しています。

例: ロジスティック回帰結果のレポート

教授が、2 つの異なる学習プログラム (プログラム A とプログラム B) と学習時間数が、学生がクラスの最終試験に合格する確率に影響を与えるかどうかを知りたいとします。

これは、学習時間と学習プログラムを予測変数として、試験結果 (合格または不合格) を応答変数として使用するロジスティック回帰モデルに適合します。

次の出力は、ロジスティック回帰モデルの結果を示しています。

 Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.415 0.623 -3.876 <0.000
program_A 0.344 0.156 2.205 0.027
hours 0.006 0.002 3.000 0.003

ロジスティック回帰モデルの結果を報告する前に、まず式 e ^βを使用して各予測子変数のオッズ比を計算する必要があります。

たとえば、各予測子変数のオッズ比を計算する方法は次のとおりです。

• プログラムのオッズ比: e ^0.344 = 1.41
• 時間のオッズ比: e ^0.006 = 1.006

また、式 e ^{(β +/- 1.96*標準誤差)}を使用して、各予測子変数のオッズ比の 95% 信頼区間を計算する必要があります。

たとえば、各予測子変数のオッズ比を計算する方法は次のとおりです。

• プログラムオッズ比の 95% CI: e ^{0.344 +/- 1.96*0.156} = [1.04, 1.92]
• 時間のオッズ比の 95% CI: e ^{0.006 +/- 1.96*0.002} = [1.002, 1.009]

各予測変数のオッズ比と対応する信頼区間を計算したので、次のようにモデルの結果をレポートできます。

ロジスティック回帰を使用して、最終試験に合格する確率に関するカリキュラムと学習時間の関係を分析しました。

学習時間数を一定に保った場合、学習プログラム A を使用した生徒と学習プログラム B を使用した生徒の最終試験に合格する可能性は 41% (95% CI [0.04, 0.92]) 増加したことがわかりました。

また、学習プログラムを一定に保った場合、最終試験に合格する確率は、学習時間が追加されるごとに 0.6% (95% CI [0.002, 0.009]) 増加することもわかりました。

オッズ比の方が解釈し理解しやすいため、モデルのベータ値ではなく予測変数のオッズ比を報告したことに注意してください。

追加リソース

次のチュートリアルでは、ロジスティック回帰に関する追加情報を提供します。

ロジスティック回帰の概要
R でロジスティック回帰を実行する方法
Python でロジスティック回帰を実行する方法
現実の生活でロジスティック回帰を使用する 4 つの例