ロジスティック回帰切片を解釈する方法 (例付き)

ロジスティック回帰は、応答変数がバイナリの場合に回帰モデルを近似するために使用できる方法です。

ロジスティック回帰モデルを近似すると、モデル出力の元の項は、すべての予測子変数がゼロに等しい場合に発生する応答変数の対数オッズを表します。

ただし、対数の確率は解釈が難しいため、通常は切片を確率の観点から組み立てます。

モデル内の各予測変数がゼロである場合、次の式を使用して、応答変数が発生する確率を理解できます。

 P = e β 0 / (1 +e β 0 )

次の例は、実際にロジスティック回帰切片を解釈する方法を示しています。

関連: ロジスティック回帰係数を解釈する方法

例: ロジスティック回帰切片を解釈する方法

生徒がクラスの最終試験に合格するかどうかを予測するために、性別と受験した模擬試験の数を使用してロジスティック回帰モデルを当てはめたいとします。

統計ソフトウェア ( R、 Python 、 Excel 、またはSASなど) を使用してモデルを近似し、次の結果を受け取ったとします。

元の項の値が-1.34であることがわかります。

これは、性別がゼロ (つまり、学生が女性) で、実技試験がゼロ (学生が最終試験に備えて実技試験を受けていない) の場合、学生が試験に合格する対数オッズは-1.34であることを意味します。 。 。

対数オッズを理解するのは難しいため、代わりに確率の観点から物事を書き直すことができます。

• 成功の確率 = e ^{β ₀} / (1 +e ^{β ₀} )
• 成功の確率 = e ^-1.34 / (1 +e ^-1.34 )
• 成功の確率 = 0.208

両方の予測変数がゼロに等しい場合 (つまり、予備試験をまったく受けていない学生)、学生が最終試験に合格する確率は0.208です。

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結果を報告する方法
ロジスティック回帰の帰無仮説を理解する
ロジスティック回帰と線形回帰の違い