{"id":4495,"date":"2023-07-10T16:08:37","date_gmt":"2023-07-10T16:08:37","guid":{"rendered":"https:\/\/statorials.org\/nl\/interpreteer-logistische-regressie-bij-de-oorsprong\/"},"modified":"2023-07-10T16:08:37","modified_gmt":"2023-07-10T16:08:37","slug":"interpreteer-logistische-regressie-bij-de-oorsprong","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/interpreteer-logistische-regressie-bij-de-oorsprong\/","title":{"rendered":"Hoe het logistieke regressie-intercept te interpreteren (met voorbeeld)"},"content":{"rendered":"

<\/p>\n

\n

Logistische regressie<\/a> is een methode die we kunnen gebruiken om een regressiemodel te fitten wanneer deresponsvariabele<\/a> binair is.<\/span><\/p>\n

Wanneer we een logistisch regressiemodel passen, vertegenwoordigt de oorspronkelijke term in de modeluitvoer de log-odds van de responsvariabele die optreedt<\/strong> wanneer alle voorspellende variabelen gelijk zijn aan nul.<\/span><\/p>\n

Omdat logwaarschijnlijkheden echter moeilijk te interpreteren zijn, kaderen we het snijpunt doorgaans in termen van waarschijnlijkheid.<\/span><\/p>\n

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:<\/span><\/p>\n

 P = e \u03b2 0<\/sub><\/sup> \/ (1 +e \u03b2 0<\/sub><\/sup> )\n<\/strong><\/pre>\n
 Het volgende voorbeeld laat zien hoe u een logistieke regressie-intercept in de praktijk interpreteert.
<\/span><\/p>\n
 Voorbeeld: Hoe het logistische regressie-intercept te interpreteren<\/strong><\/span><\/h2>\n
 Stel dat we een logistisch regressiemodel willen toepassen op basis van het geslacht<\/strong> en het aantal afgelegde oefenexamens<\/strong> om te voorspellen of een leerling wel of niet zal slagen voor een eindexamen in een klas.<\/span><\/p>\n
 Stel dat we het model aanpassen met behulp van statistische software (zoals R, Python<\/a> , Excel<\/a> of SAS<\/a> ) en het volgende resultaat krijgen:<\/span> <\/p>\n\n\n\n\n\n\n
<\/th>\n Schatting van de co\u00ebffici\u00ebnt<\/strong><\/span><\/th>\n Standaardfout<\/strong><\/span><\/th>\n Z-waarde<\/strong><\/span><\/th>\n P-waarde<\/strong><\/span><\/th>\n<\/tr>\n
 Onderscheppen<\/strong><\/span><\/td>\n -1,34<\/span><\/td>\n 0,23<\/span><\/td>\n 5,83<\/span><\/td>\n <0,001<\/span><\/td>\n<\/tr>\n
 Geslacht (Man = 1)<\/strong><\/span><\/td>\n -0,56<\/span><\/td>\n 0,25<\/span><\/td>\n 2.24<\/span><\/td>\n 0,03<\/span><\/td>\n<\/tr>\n
 Praktische examens<\/strong><\/span><\/td>\n 1.13<\/span><\/td>\n 0,43<\/span><\/td>\n 2.63<\/span><\/td>\n 0,01<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
 We kunnen zien dat de oorspronkelijke term een waarde van -1,34<\/strong> heeft.<\/span><\/p>\n
 Dit betekent dat wanneer het geslacht<\/strong> nul is (dwz de student is een vrouw) en wanneer de praktijkexamens<\/strong> nul zijn (de student heeft geen praktijkexamen afgelegd ter voorbereiding op het eindexamen), de logaritmische kans dat de student het examen haalt -1,34<\/strong> is. .<\/strong> .<\/span><\/p>\n
 Omdat logkansen moeilijk te begrijpen zijn, kunnen we de zaken in plaats daarvan herschrijven in termen van waarschijnlijkheid:<\/span><\/p>\n
 Gerelateerd:<\/strong> Hoe logistieke regressieco\u00ebffici\u00ebnten te interpreteren<\/a><\/span><\/p>\n