<\/p>\n
Regresja logistyczna<\/strong> to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zmienna odpowiedzi<\/a> jest binarna.<\/span><\/p>\n Przed dopasowaniem modelu do zbioru danych regresja logistyczna przyjmuje nast\u0119puj\u0105ce za\u0142o\u017cenia:<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce zmienna odpowiedzi ma tylko dwa mo\u017cliwe wyniki. Oto kilka przyk\u0142ad\u00f3w:<\/span><\/p>\n Jak sprawdzi\u0107 to za\u0142o\u017cenie:<\/strong> Po prostu policz liczb\u0119 unikalnych wynik\u00f3w wyst\u0119puj\u0105cych w zmiennej odpowiedzi. Je\u015bli istniej\u0105 wi\u0119cej ni\u017c dwa mo\u017cliwe wyniki, zamiast tego konieczne b\u0119dzie wykonanie regresji porz\u0105dkowej<\/a> .<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce obserwacje w zbiorze danych s\u0105 od siebie niezale\u017cne. Oznacza to, \u017ce obserwacje nie powinny pochodzi\u0107 z powtarzanych pomiar\u00f3w tej samej osoby ani by\u0107 ze sob\u0105 w \u017caden spos\u00f3b powi\u0105zane.<\/span><\/p>\n Jak przetestowa\u0107 t\u0119 hipotez\u0119:<\/strong> Najprostszym sposobem przetestowania tej hipotezy jest utworzenie wykresu reszt w funkcji czasu (tj. kolejno\u015bci obserwacji) i sprawdzenie, czy istnieje losowy trend. Je\u015bli nie<\/em> ma losowego wzorca, za\u0142o\u017cenie to mo\u017ce zosta\u0107 naruszone.<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce pomi\u0119dzy zmiennymi obja\u015bniaj\u0105cymi<\/a> nie wyst\u0119puje powa\u017cna wsp\u00f3\u0142liniowo\u015b\u0107<\/a> .<\/span><\/p>\n Wielokolinearno\u015b\u0107 ma miejsce, gdy dwie lub wi\u0119cej zmiennych obja\u015bniaj\u0105cych jest ze sob\u0105 silnie skorelowanych, w zwi\u0105zku z czym nie dostarczaj\u0105 unikalnych lub niezale\u017cnych informacji w modelu regresji. Je\u015bli stopie\u0144 korelacji mi\u0119dzy zmiennymi jest wystarczaj\u0105co wysoki, mo\u017ce to powodowa\u0107 problemy podczas dopasowywania i interpretacji modelu.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce chcesz przeprowadzi\u0107 regresj\u0119 logistyczn\u0105, u\u017cywaj\u0105c maksymalnego skoku pionowego<\/strong> jako zmiennej odpowiedzi i nast\u0119puj\u0105cych zmiennych jako zmiennych obja\u015bniaj\u0105cych:<\/span><\/p>\n W tym przypadku wzrost<\/strong> i rozmiar buta<\/strong> s\u0105 prawdopodobnie silnie powi\u0105zane, poniewa\u017c wy\u017csi ludzie maj\u0105 zwykle wi\u0119ksze rozmiary but\u00f3w. Oznacza to, \u017ce wieloliniowo\u015b\u0107 b\u0119dzie prawdopodobnie problemem, je\u015bli w regresji zastosujemy te dwie zmienne.<\/span><\/p>\n Jak sprawdzi\u0107 to za\u0142o\u017cenie:<\/strong> Najcz\u0119stszym sposobem wykrycia wielowsp\u00f3\u0142liniowo\u015bci jest u\u017cycie wsp\u00f3\u0142czynnika inflacji wariancji (VIF), kt\u00f3ry mierzy korelacj\u0119 i si\u0142\u0119 korelacji pomi\u0119dzy zmiennymi predykcyjnymi w modelu regresji. Sprawd\u017a ten samouczek<\/a> , aby uzyska\u0107 szczeg\u00f3\u0142owe wyja\u015bnienie, jak oblicza\u0107 i interpretowa\u0107 warto\u015bci VIF.<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce w zbiorze danych nie ma skrajnych warto\u015bci odstaj\u0105cych ani wp\u0142ywowych obserwacji.<\/span><\/p>\n Jak sprawdzi\u0107 to za\u0142o\u017cenie:<\/strong> Najpopularniejszym sposobem sprawdzenia, czy w zbiorze danych znajduj\u0105 si\u0119 skrajne warto\u015bci odstaj\u0105ce i obserwacje maj\u0105ce wp\u0142yw, jest obliczenie odleg\u0142o\u015bci Cooka<\/a> dla ka\u017cdej obserwacji. Je\u015bli rzeczywi\u015bcie istniej\u0105 warto\u015bci odstaj\u0105ce, mo\u017cesz (1) je usun\u0105\u0107, (2) zast\u0105pi\u0107 je warto\u015bci\u0105 tak\u0105 jak \u015brednia lub mediana, lub (3) po prostu zachowa\u0107 je w modelu, ale zanotowa\u0107 je podczas raportowania regresji . wyniki.<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce istnieje liniowa zale\u017cno\u015b\u0107 pomi\u0119dzy ka\u017cd\u0105 zmienn\u0105 obja\u015bniaj\u0105c\u0105 a logitem zmiennej odpowiedzi. Przypomnijmy, \u017ce logit definiuje si\u0119 jako:<\/span><\/p>\n Logit(p) = log(p \/ (1-p)) gdzie p jest prawdopodobie\u0144stwem wyniku dodatniego.<\/span><\/p>\n Jak przetestowa\u0107 t\u0119 hipotez\u0119:<\/strong> Naj\u0142atwiejszym sposobem sprawdzenia, czy ta hipoteza jest prawdziwa, jest u\u017cycie testu Boxa-Tidwella.<\/span><\/p>\n Regresja logistyczna zak\u0142ada, \u017ce wielko\u015b\u0107 pr\u00f3by zbioru danych jest wystarczaj\u0105co du\u017ca, aby wyci\u0105gn\u0105\u0107 prawid\u0142owe wnioski z dopasowanego modelu regresji logistycznej.<\/p>\n Jak sprawdzi\u0107 t\u0119 hipotez\u0119:<\/strong> Z regu\u0142y dla ka\u017cdej zmiennej obja\u015bniaj\u0105cej powinno by\u0107 co najmniej 10 przypadk\u00f3w z najrzadziej wyst\u0119puj\u0105cym wynikiem. Na przyk\u0142ad, je\u015bli masz 3 zmienne obja\u015bniaj\u0105ce, a oczekiwane prawdopodobie\u0144stwo wyst\u0105pienia najrzadszego wyniku wynosi 0,20, w\u00f3wczas wielko\u015b\u0107 pr\u00f3by powinna wynosi\u0107 co najmniej (10*3) \/ 0,20 = 150<\/strong> .<\/span><\/p>\n W przeciwie\u0144stwie do regresji liniowej, regresja logistyczna nie wymaga:<\/span><\/p>\n Powi\u0105zane:<\/span><\/strong> Cztery za\u0142o\u017cenia regresji liniowej<\/a><\/p>\n 4 Przyk\u0142ady zastosowania regresji logistycznej w \u017cyciu codziennym<\/a> Regresja logistyczna to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna. Przed dopasowaniem modelu do zbioru danych regresja logistyczna przyjmuje nast\u0119puj\u0105ce za\u0142o\u017cenia: Za\u0142o\u017cenie nr 1: zmienna odpowiedzi jest binarna Regresja logistyczna zak\u0142ada, \u017ce zmienna odpowiedzi ma tylko dwa mo\u017cliwe wyniki. Oto kilka przyk\u0142ad\u00f3w: Tak lub nie M\u0119\u017cczyzna czy kobieta Sukces […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1093","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Za\u0142o\u017cenie nr 1: zmienna odpowiedzi jest binarna<\/strong><\/span><\/h3>\n
\n
Hipoteza nr 2: obserwacje s\u0105 niezale\u017cne<\/strong><\/span><\/h3>\n
Hipoteza nr 3: nie ma wsp\u00f3\u0142liniowo\u015bci pomi\u0119dzy zmiennymi obja\u015bniaj\u0105cymi<\/strong><\/span><\/h3>\n
\n
Za\u0142o\u017cenie nr 4: Nie ma skrajnych warto\u015bci odstaj\u0105cych<\/strong><\/h3>\n
Hipoteza nr 5: Istnieje liniowa zale\u017cno\u015b\u0107 pomi\u0119dzy zmiennymi obja\u015bniaj\u0105cymi a logitem zmiennej odpowiedzi<\/strong><\/span><\/h3>\n
Za\u0142o\u017cenie nr 6: Wielko\u015b\u0107 pr\u00f3by jest wystarczaj\u0105co du\u017ca<\/strong><\/span><\/h3>\n
Za\u0142o\u017cenia regresji logistycznej a. Regresja liniowa<\/strong><\/span><\/h3>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w SPSS<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w programie Excel<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Stata<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"