Hoe het logistieke regressie-intercept te interpreteren (met voorbeeld)
Logistische regressie is een methode die we kunnen gebruiken om een regressiemodel te fitten wanneer deresponsvariabele binair is.
Wanneer we een logistisch regressiemodel passen, vertegenwoordigt de oorspronkelijke term in de modeluitvoer de log-odds van de responsvariabele die optreedt wanneer alle voorspellende variabelen gelijk zijn aan nul.
Omdat logwaarschijnlijkheden echter moeilijk te interpreteren zijn, kaderen we het snijpunt doorgaans in termen van waarschijnlijkheid.
We kunnen de volgende formule gebruiken om de waarschijnlijkheid te begrijpen dat de responsvariabele optreedt, gegeven het feit dat elke voorspellende variabele in het model nul is:
P = e β 0 / (1 +e β 0 )
Het volgende voorbeeld laat zien hoe u een logistieke regressie-intercept in de praktijk interpreteert.
Gerelateerd: Hoe logistieke regressiecoëfficiënten te interpreteren
Voorbeeld: Hoe het logistische regressie-intercept te interpreteren
Stel dat we een logistisch regressiemodel willen toepassen op basis van het geslacht en het aantal afgelegde oefenexamens om te voorspellen of een leerling wel of niet zal slagen voor een eindexamen in een klas.
Stel dat we het model aanpassen met behulp van statistische software (zoals R, Python , Excel of SAS ) en het volgende resultaat krijgen:
| Schatting van de coëfficiënt | Standaardfout | Z-waarde | P-waarde | |
|---|---|---|---|---|
| Onderscheppen | -1,34 | 0,23 | 5,83 | <0,001 |
| Geslacht (Man = 1) | -0,56 | 0,25 | 2.24 | 0,03 |
| Praktische examens | 1.13 | 0,43 | 2.63 | 0,01 |
We kunnen zien dat de oorspronkelijke term een waarde van -1,34 heeft.
Dit betekent dat wanneer het geslacht nul is (dwz de student is een vrouw) en wanneer de praktijkexamens nul zijn (de student heeft geen praktijkexamen afgelegd ter voorbereiding op het eindexamen), de logaritmische kans dat de student het examen haalt -1,34 is. . .
Omdat logkansen moeilijk te begrijpen zijn, kunnen we de zaken in plaats daarvan herschrijven in termen van waarschijnlijkheid:
- Kans op succes = e β 0 / (1 +e β 0 )
- Kans op succes = e -1,34 / (1 +e -1,34 )
- Kans op succes = 0,208
Wanneer beide voorspellende variabelen gelijk zijn aan nul (dwz een student die geen voorbereidend examen heeft afgelegd), is de kans dat de student slaagt voor het eindexamen 0,208 .
Aanvullende bronnen
De volgende zelfstudies bieden aanvullende informatie over logistische regressie:
Hoe logistieke regressieresultaten te rapporteren
De nulhypothese voor logistieke regressie begrijpen
Het verschil tussen logistische regressie en lineaire regressie
Über den Autor
Dr.benjamin anderson
Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder