Jak przeprowadzić regresję logistyczną w arkuszach google

Regresja logistyczna to metoda, której możemy użyć do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna.

Poniższy przykład pokazuje krok po kroku, jak przeprowadzić regresję logistyczną w Arkuszach Google.

Krok 1: Zainstaluj pakiet narzędzi analitycznych XLMiner

Aby przeprowadzić regresję logistyczną w Arkuszach Google, musimy najpierw zainstalować bezpłatny pakiet narzędzi analitycznych XLMiner .

Aby to zrobić, kliknij Dodatki > Pobierz dodatki :

Następnie wpisz XLMiner Analysis ToolPak w pasku wyszukiwania i kliknij ikonę, która się pojawi:

Na koniec kliknij niebieski przycisk Instaluj .

Krok 2: Wprowadź dane

Następnie wprowadzimy do Arkuszy Google następujące dane:

Dopasujemy model regresji logistycznej, który wykorzystuje punkty i pomaga przewidzieć, czy koszykarz zostanie powołany do NBA (0 = nie, 1 = tak).

Krok 3: Wykonaj regresję logistyczną

Aby dopasować model regresji logistycznej, kliknij kartę Rozszerzenia , następnie kliknij XL Miner Analysis ToolPak , a następnie kliknij Start :

W panelu, który pojawi się po prawej stronie ekranu, kliknij strzałkę rozwijaną obok opcji Regresja logistyczna i wprowadź następujące informacje:

Po kliknięciu OK wyświetli się podsumowanie modelu regresji logistycznej:

Współczynniki w wyniku wskazują średnią logarytmiczną zmiany szans na powołanie.

Na przykład wzrost o jedną jednostkę punktową wiąże się ze średnim wzrostem szans na powołanie do wojska o 0,212 .

Znak na współczynnikach mówi nam, czy pomiędzy każdą zmienną predykcyjną a zmienną odpowiedzi istnieje dodatnia lub ujemna wartość.

Przykładowo, ponieważ punkty mają dodatni znak współczynnika, oznacza to, że zwiększenie wartości punktów zwiększa szansę na powołanie zawodnika (przy założeniu, że asysty pozostaną stałe).

I odwrotnie, ponieważ asysty mają ujemny znak współczynnika, oznacza to, że zwiększenie wartości asyst zmniejsza szansę na powołanie gracza do draftu (zakładając, że punkty pozostają stałe).

Wartości p w wyniku dają nam również wyobrażenie o tym, jak skuteczna jest każda zmienna predykcyjna w przewidywaniu prawdopodobieństwa wykreślenia:

• Wartość P dla punktów: 0,02
• Wartość P dla asyst: 0,35

Widzimy, że punkty wydają się być statystycznie istotną zmienną predykcyjną, ponieważ mają wartość p mniejszą niż 0,05, ale asysty nie wydają się statystycznie istotne, ponieważ nie mają wartości p mniejszej niż 0,05.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w Arkuszach Google:

Jak wykonać regresję wielomianową w Arkuszach Google
Jak wykonać regresję liniową w Arkuszach Google
Jak obliczyć R-kwadrat w Arkuszach Google