De complete gids: logistieke regressieresultaten rapporteren

Logistische regressie is een type regressieanalyse dat we gebruiken wanneer deresponsvariabele binair is.

We kunnen het volgende algemene formaat gebruiken om de resultaten van een logistisch regressiemodel te rapporteren:

Logistische regressie werd gebruikt om de relatie tussen [predictorvariabele 1], [predictorvariabele 2],…[predictorvariabele n ] en [responsvariabele] te analyseren.

Er werd vastgesteld dat, als alle andere voorspellende variabelen constant worden gehouden, de waarschijnlijkheid dat [responsvariabele] optreedt [toe- of afneemt] met [enkele procenten] (95% BI [ondergrens, bovengrens]) bij een toename van één eenheid in [voorspellende variabele 1].

Er werd vastgesteld dat, als alle andere voorspellende variabelen constant worden gehouden, de waarschijnlijkheid dat [responsvariabele] optreedt [toe- of afneemt] met [enkele procenten] (95% BI [ondergrens, bovengrens]) bij een toename van één eenheid in [voorspellende variabele 2].

…

We kunnen deze basissyntaxis gebruiken om odds ratio’s en het bijbehorende 95% betrouwbaarheidsinterval voor de odds ratio’s van elke voorspellende variabele in het model te rapporteren.

Het volgende voorbeeld laat zien hoe u de resultaten van een logistisch regressiemodel in de praktijk kunt rapporteren.

Voorbeeld: Rapporteren van logistieke regressieresultaten

Stel dat een professor wil weten of twee verschillende studieprogramma’s (programma A en programma B) en het aantal gestudeerde uren van invloed zijn op de kans dat een student slaagt voor het eindexamen van zijn of haar klas.

Het past in een logistisch regressiemodel dat studie-uren en studieprogramma gebruikt als voorspellende variabelen en examenresultaat (slaag of onvoldoende) als responsvariabele.

De volgende uitvoer toont de resultaten van het logistische regressiemodel:

 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

Voordat we de resultaten van het logistieke regressiemodel rapporteren, moeten we eerst de odds ratio voor elke voorspellende variabele berekenen met behulp van de formule e ^β .

Hier leest u bijvoorbeeld hoe u de odds ratio voor elke voorspellende variabele kunt berekenen:

• Programma odds ratio: e ^0,344 = 1,41
• Odds ratio van uren: e ^0,006 = 1,006

We moeten ook het 95% betrouwbaarheidsinterval voor de odds ratio van elke voorspellende variabele berekenen met behulp van de formule e ^{(β +/- 1,96*standaardfout)} .

Hier leest u bijvoorbeeld hoe u de odds ratio voor elke voorspellende variabele kunt berekenen:

• 95% BI voor programma odds ratio: e ^{0,344 +/- 1,96*0,156} = [1,04, 1,92]
• 95% BI voor oddsratio van uren: e ^{0,006 +/- 1,96*0,002} = [1,002, 1,009]

Nu we de odds ratio en het bijbehorende betrouwbaarheidsinterval voor elke voorspellende variabele hebben berekend, kunnen we de modelresultaten als volgt rapporteren:

Logistieke regressie werd gebruikt om de relatie tussen het curriculum en de bestudeerde uren op de kans op slagen voor een eindexamen te analyseren.

Het bleek dat, bij een constant aantal studie-uren, de kans op het behalen van het eindexamen met 41% (95% BI [0,04, 0,92]) toenam voor studenten die studieprogramma A versus opleiding B gebruikten.

Ook bleek dat bij een gelijkblijvend studieprogramma de kans op het behalen van het eindexamen met 0,6% (95% BI [0,002; 0,009]) toenam voor elk extra uur dat men studeerde.

Merk op dat we oddsratio’s voor de voorspellende variabelen hebben gerapporteerd in tegenstelling tot de bètawaarden van het model, omdat oddsratio’s gemakkelijker te interpreteren en te begrijpen zijn.

Aanvullende bronnen

De volgende tutorials bieden aanvullende informatie over logistische regressie:

Inleiding tot logistieke regressie
Hoe logistische regressie uit te voeren in R
Hoe logistieke regressie uit te voeren in Python
4 voorbeelden van het gebruik van logistieke regressie in het echte leven