<\/p>\n
Logistische regressie<\/strong> is een type regressieanalyse dat we gebruiken wanneer deresponsvariabele<\/a> binair is.<\/span><\/p>\n We kunnen het volgende algemene formaat gebruiken om de resultaten van een logistisch regressiemodel te rapporteren:<\/span><\/p>\n Logistische regressie werd gebruikt om de relatie tussen [predictorvariabele 1], [predictorvariabele 2],\u2026[predictorvariabele n<\/em> ] en [responsvariabele] te analyseren.<\/span><\/p>\n 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 \u00e9\u00e9n eenheid in [voorspellende variabele 1].<\/span><\/p>\n 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 \u00e9\u00e9n eenheid in [voorspellende variabele 2].<\/span><\/p>\n \u2026<\/span><\/p>\n<\/blockquote>\n 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.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u de resultaten van een logistisch regressiemodel in de praktijk kunt rapporteren.<\/span><\/p>\n 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.<\/span><\/p>\n Het past in een logistisch regressiemodel dat studie-uren en studieprogramma gebruikt als voorspellende variabelen en examenresultaat (slaag of onvoldoende) als responsvariabele.<\/span><\/p>\n De volgende uitvoer toont de resultaten van het logistische regressiemodel:<\/span><\/p>\n 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 \u03b2<\/sup> .<\/span><\/p>\n Hier leest u bijvoorbeeld hoe u de odds ratio voor elke voorspellende variabele kunt berekenen:<\/span><\/p>\n We moeten ook het 95% betrouwbaarheidsinterval voor de odds ratio van elke voorspellende variabele berekenen met behulp van de formule e (\u03b2 +\/- 1,96*standaardfout)<\/sup> .<\/span><\/p>\n Hier leest u bijvoorbeeld hoe u de odds ratio voor elke voorspellende variabele kunt berekenen:<\/span><\/p>\n Nu we de odds ratio en het bijbehorende betrouwbaarheidsinterval voor elke voorspellende variabele hebben berekend, kunnen we de modelresultaten als volgt rapporteren:<\/span><\/p>\n Logistieke regressie werd gebruikt om de relatie tussen het curriculum en de bestudeerde uren op de kans op slagen voor een eindexamen te analyseren.<\/span><\/p>\n 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.<\/span><\/p>\n 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.<\/span><\/p>\n<\/blockquote>\n Merk op dat we oddsratio’s voor de voorspellende variabelen hebben gerapporteerd in tegenstelling tot de b\u00e8tawaarden van het model, omdat oddsratio’s gemakkelijker te interpreteren en te begrijpen zijn.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over logistische regressie:<\/span><\/p>\n Inleiding tot logistieke regressie<\/a> 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],\u2026[predictorvariabele n ] en [responsvariabele] te analyseren. Er werd vastgesteld dat, als alle andere voorspellende […]<\/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":[],"class_list":["post-2180","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: Rapporteren van logistieke regressieresultaten<\/strong><\/span><\/h3>\n
Coefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -2.415 0.623 -3.876 <0.000\nprogram_A 0.344 0.156 2.205 0.027\nhours 0.006 0.002 3.000 0.003\n<\/strong><\/pre>\n
\n
\n
\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe logistische regressie uit te voeren in R
Hoe logistieke regressie uit te voeren in Python<\/a>
4 voorbeelden van het gebruik van logistieke regressie in het echte leven<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"