<\/p>\n
Regresja logistyczna<\/strong> to rodzaj analizy regresji, kt\u00f3r\u0105 stosujemy, gdyzmienna odpowiedzi<\/a> jest binarna.<\/span><\/p>\n Do raportowania wynik\u00f3w modelu regresji logistycznej mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego og\u00f3lnego formatu:<\/span><\/p>\n Do analizy zwi\u0105zku pomi\u0119dzy [zmienn\u0105 predykcyjn\u0105 1], [zmienn\u0105 predykcyjn\u0105 2],\u2026 [zmienn\u0105 predykcyjn\u0105 n<\/em> ] i [zmienn\u0105 odpowiedzi] wykorzystano regresj\u0119 logistyczn\u0105.<\/span><\/p>\n Stwierdzono, \u017ce przy niezmienionym poziomie wszystkich pozosta\u0142ych zmiennych predykcyjnych prawdopodobie\u0144stwo wyst\u0105pienia [zmiennej odpowiedzi] [wzrasta lub maleje] o [kilka procent] (95% CI [dolna granica, g\u00f3rna granica]) przy wzro\u015bcie o jedn\u0105 jednostk\u0119 w [zmienna predykcyjna 1].<\/span><\/p>\n Stwierdzono, \u017ce przy niezmienionym poziomie wszystkich pozosta\u0142ych zmiennych predykcyjnych prawdopodobie\u0144stwo wyst\u0105pienia [zmiennej odpowiedzi] [wzrasta lub maleje] o [kilka procent] (95% CI [dolna granica, g\u00f3rna granica]) przy wzro\u015bcie o jedn\u0105 jednostk\u0119 w [zmienna predykcyjna 2].<\/span><\/p>\n \u2026<\/span><\/p>\n<\/blockquote>\n Mo\u017cemy u\u017cy\u0107 tej podstawowej sk\u0142adni, aby zg\u0142osi\u0107 iloraz szans i odpowiadaj\u0105cy mu 95% przedzia\u0142 ufno\u015bci dla iloraz\u00f3w szans ka\u017cdej zmiennej predykcyjnej w modelu.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce raportowa\u0107 wyniki modelu regresji logistycznej.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce profesor chce zrozumie\u0107, czy dwa r\u00f3\u017cne programy studi\u00f3w (program A i program B) oraz liczba przepracowanych godzin wp\u0142ywaj\u0105 na prawdopodobie\u0144stwo zdania przez studenta egzaminu ko\u0144cowego.<\/span><\/p>\n Pasuje do modelu regresji logistycznej, w kt\u00f3rym godziny nauki i program studi\u00f3w s\u0105 zmiennymi predykcyjnymi, a wynik egzaminu (pozytywny lub niezaliczony) jako zmienna odpowiedzi.<\/span><\/p>\n Poni\u017csze dane wyj\u015bciowe przedstawiaj\u0105 wyniki modelu regresji logistycznej:<\/span><\/p>\n Przed przedstawieniem wynik\u00f3w modelu regresji logistycznej musimy najpierw obliczy\u0107 iloraz szans dla ka\u017cdej zmiennej predykcyjnej, korzystaj\u0105c ze wzoru e \u03b2<\/sup> .<\/span><\/p>\n Na przyk\u0142ad, oto jak obliczy\u0107 iloraz szans dla ka\u017cdej zmiennej predykcyjnej:<\/span><\/p>\n Musimy tak\u017ce obliczy\u0107 95% przedzia\u0142 ufno\u015bci dla ilorazu szans ka\u017cdej zmiennej predykcyjnej, korzystaj\u0105c ze wzoru e (\u03b2 +\/- 1,96*b\u0142\u0105d standardowy)<\/sup> .<\/span><\/p>\n Na przyk\u0142ad, oto jak obliczy\u0107 iloraz szans dla ka\u017cdej zmiennej predykcyjnej:<\/span><\/p>\n Teraz, gdy obliczyli\u015bmy iloraz szans i odpowiadaj\u0105cy mu przedzia\u0142 ufno\u015bci dla ka\u017cdej zmiennej predykcyjnej, mo\u017cemy przedstawi\u0107 wyniki modelu w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Za pomoc\u0105 regresji logistycznej zbadano zwi\u0105zek programu nauczania z liczb\u0105 przepracowanych godzin na prawdopodobie\u0144stwo zdania egzaminu ko\u0144cowego.<\/span><\/p>\n Stwierdzono, \u017ce przy sta\u0142ej liczbie godzin nauki szanse na zdanie egzaminu ko\u0144cowego wzros\u0142y o 41% (95% CI [0,04; 0,92]) dla student\u00f3w, kt\u00f3rzy korzystali z programu studi\u00f3w A w por\u00f3wnaniu z programem studi\u00f3w B.<\/span><\/p>\n Stwierdzono tak\u017ce, \u017ce przy sta\u0142ym programie studi\u00f3w szansa zdania egzaminu ko\u0144cowego wzrasta\u0142a o 0,6% (95% CI [0,002; 0,009]) na ka\u017cd\u0105 dodatkow\u0105 godzin\u0119 nauki.<\/span><\/p>\n<\/blockquote>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce raportowali\u015bmy iloraz szans dla zmiennych predykcyjnych w przeciwie\u0144stwie do warto\u015bci beta modelu, poniewa\u017c ilorazy szans s\u0105 \u0142atwiejsze do interpretacji i zrozumienia.<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat regresji logistycznej:<\/span><\/p>\n Wprowadzenie do regresji logistycznej<\/a> Regresja logistyczna to rodzaj analizy regresji, kt\u00f3r\u0105 stosujemy, gdyzmienna odpowiedzi jest binarna. Do raportowania wynik\u00f3w modelu regresji logistycznej mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego og\u00f3lnego formatu: Do analizy zwi\u0105zku pomi\u0119dzy [zmienn\u0105 predykcyjn\u0105 1], [zmienn\u0105 predykcyjn\u0105 2],\u2026 [zmienn\u0105 predykcyjn\u0105 n ] i [zmienn\u0105 odpowiedzi] wykorzystano regresj\u0119 logistyczn\u0105. Stwierdzono, \u017ce przy niezmienionym poziomie wszystkich pozosta\u0142ych zmiennych predykcyjnych prawdopodobie\u0144stwo wyst\u0105pienia [zmiennej […]<\/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-2178","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad: raportowanie wynik\u00f3w regresji logistycznej<\/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
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w R
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a>
4 Przyk\u0142ady zastosowania regresji logistycznej w \u017cyciu codziennym<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"