<\/p>\n
Logistische regressie<\/a> is een methode die we kunnen gebruiken om een regressiemodel te fitten wanneer de responsvariabele binair is.<\/span><\/p>\n Wanneer u een logistisch regressiemodel in R past, vertegenwoordigen de co\u00ebffici\u00ebnten in de modelsamenvatting de gemiddelde verandering in de log-odds<\/strong> van de responsvariabele die gepaard gaat met een toename van \u00e9\u00e9n eenheid in elke voorspellende variabele.<\/span><\/p>\n In plaats daarvan willen we echter vaak de oddsratio<\/strong> voor de voorspellende variabelen in het model berekenen.<\/span><\/p>\n Om snel de odds ratio’s voor elke voorspellende variabele in het model te berekenen, kunt u de volgende syntaxis gebruiken:<\/span><\/p>\n U kunt voor elke oddsratio ook een betrouwbaarheidsinterval van 95% berekenen met behulp van de volgende syntaxis:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze syntaxis kunt gebruiken om odds ratio’s voor een logistisch regressiemodel in R te berekenen en te interpreteren.<\/span><\/p>\n Voor dit voorbeeld gebruiken we de standaarddataset<\/strong> uit het ISLR-<\/strong> pakket in R.<\/span><\/p>\n We kunnen de volgende code gebruiken om een samenvatting van de dataset te laden en weer te geven:<\/span><\/p>\n Deze dataset bevat de volgende informatie over 10.000 personen:<\/span><\/p>\n We zullen de studentenstatus, banksaldo en inkomen gebruiken om een logistisch regressiemodel te construeren dat de waarschijnlijkheid voorspelt dat een bepaald individu in gebreke blijft.<\/span><\/p>\n We kunnen de glm-<\/strong> functie gebruiken en family=’binomial‘ specificeren, zodat R een logistisch regressiemodel bij de dataset past:<\/span><\/p>\n De co\u00ebffici\u00ebnten in het resultaat geven de gemiddelde verandering in de log odds of default aan.<\/span><\/p>\n Een stijging van het saldo<\/strong> met \u00e9\u00e9n eenheid gaat bijvoorbeeld gepaard met een gemiddelde stijging van 0,005988<\/strong> in de logkans op wanbetaling.<\/span><\/p>\n Om in plaats daarvan de odds ratio voor elke voorspellende variabele te berekenen, kunnen we de volgende syntaxis gebruiken:<\/span><\/p>\n We kunnen ook elke oddsratio berekenen, evenals een betrouwbaarheidsinterval van 95% voor elke oddsratio:<\/span><\/p>\n De odds ratio voor elke co\u00ebffici\u00ebnt vertegenwoordigt de gemiddelde toename van de standaardkansen van een individu, ervan uitgaande dat alle andere voorspellende variabelen constant blijven.<\/span><\/p>\n Het saldo<\/strong> van de voorspellende variabele heeft bijvoorbeeld een oddsratio van 1,0057<\/strong> .<\/span><\/p>\n Dit betekent dat voor elke extra dollar die een individu op zijn rekening heeft, de kans dat het individu zijn lening niet kan nakomen met een factor 1,0057<\/strong> toeneemt, ervan uitgaande dat de studentenstatus en het inkomen constant blijven<\/em> .<\/span><\/p>\n We kunnen de odds ratio\u2019s voor de andere voorspellende variabelen op dezelfde manier interpreteren.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe Predict() te gebruiken met een logistisch regressiemodel in R<\/a> Logistische regressie is een methode die we kunnen gebruiken om een regressiemodel te fitten wanneer de responsvariabele binair is. Wanneer u een logistisch regressiemodel in R past, vertegenwoordigen de co\u00ebffici\u00ebnten in de modelsamenvatting de gemiddelde verandering in de log-odds van de responsvariabele die gepaard gaat met een toename van \u00e9\u00e9n eenheid in elke voorspellende variabele. […]<\/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-4489","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n exp(coef(model))\n<\/strong><\/pre>\n
exp(cbind(Odds_Ratio = coef(model), confint(model)))<\/strong><\/pre>\n
Voorbeeld: Odds Ratio\u2019s berekenen in een logistiek regressiemodel in R<\/strong><\/span><\/h2>\n
library<\/span> (ISLR)\n\n#view first five rows of Default dataset\n<\/span>head(Default)\n\n default student balance income\n1 No No 729.5265 44361.625\n2 No Yes 817.1804 12106.135\n3 No No 1073.5492 31767.139\n4 No No 529.2506 35704.494\n5 No No 785.6559 38463.496\n6 No Yes 919.5885 7491.559<\/strong><\/pre>\n\n
#fit logistic regression model<\/span>\nmodel <- glm(default~student+balance+income, family=' binomial<\/span> ', data=Default)\n\n#disable scientific notation for model summary<\/span>\noptions(scipen=999)\n\n#view model summary<\/span>\nsummary(model)\n\nCall:\nglm(formula = default ~ student + balance + income, family = \"binomial\", \n data = train)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.5586 -0.1353 -0.0519 -0.0177 3.7973 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -11.478101194 0.623409555 -18.412 <0.0000000000000002 ***\nstudentYes -0.493292438 0.285735949 -1.726 0.0843 . \nbalance 0.005988059 0.000293765 20.384 <0.0000000000000002 ***\nincome 0.000007857 0.000009965 0.788 0.4304 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2021.1 on 6963 degrees of freedom\nResidual deviance: 1065.4 on 6960 degrees of freedom\nAIC: 1073.4\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #calculate odds ratio for each predictor variable<\/span>\nexp(coef(model))\n\n (Intercept) studentYes balance income \n0.00001903854 0.52373166965 1.00575299051 1.00000303345 \n<\/strong><\/pre>\n #calculate odds ratio and 95% confidence interval for each predictor variable<\/span> \nexp(cbind(Odds_Ratio = coef(model), confint(model)))\n\n Odds_Ratio 2.5% 97.5%\n(Intercept) 0.00001903854 0.000007074481 0.0000487808\nstudentYes 0.52373166965 0.329882707270 0.8334223982\nbalance 1.00575299051 1.005308940686 1.0062238757\nincome 1.00000303345 0.999986952969 1.0000191246\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe Pr(>|z|) te interpreteren in logistieke regressie-uitvoer in R<\/a>
Hoe een logistische regressiecurve in R uit te zetten<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"