<\/p>\n
Regresja logistyczna<\/a> to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna.<\/span><\/p>\n Po dopasowaniu modelu regresji logistycznej w R wsp\u00f3\u0142czynniki w podsumowaniu modelu reprezentuj\u0105 \u015bredni\u0105 zmian\u0119 logarytmu szans<\/strong> zmiennej odpowiedzi zwi\u0105zan\u0105 ze wzrostem o jedn\u0105 jednostk\u0119 ka\u017cdej zmiennej predykcyjnej.<\/span><\/p>\n Jednak cz\u0119sto zamiast tego chcemy obliczy\u0107 iloraz szans<\/strong> dla zmiennych predykcyjnych w modelu.<\/span><\/p>\n Aby szybko obliczy\u0107 iloraz szans dla ka\u017cdej zmiennej predykcyjnej w modelu, mo\u017cesz u\u017cy\u0107 nast\u0119puj\u0105cej sk\u0142adni:<\/span><\/p>\n Mo\u017cna tak\u017ce obliczy\u0107 95% przedzia\u0142 ufno\u015bci dla ka\u017cdego ilorazu szans, korzystaj\u0105c z nast\u0119puj\u0105cej sk\u0142adni:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak u\u017cywa\u0107 tej sk\u0142adni do obliczania i interpretowania iloraz\u00f3w szans dla modelu regresji logistycznej w R.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy domy\u015blnego<\/strong> zestawu danych z pakietu ISLR<\/strong> w R.<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby za\u0142adowa\u0107 i wy\u015bwietli\u0107 podsumowanie zbioru danych:<\/span><\/p>\n Ten zbi\u00f3r danych zawiera nast\u0119puj\u0105ce informacje na temat 10 000 os\u00f3b:<\/span><\/p>\n Wykorzystamy status studenta, stan konta bankowego i dochody, aby skonstruowa\u0107 model regresji logistycznej, kt\u00f3ry przewiduje prawdopodobie\u0144stwo niewyp\u0142acalno\u015bci danej osoby.<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji glm<\/strong> i okre\u015bli\u0107 Family=’binomial’ tak, aby R dopasowa\u0142 model regresji logistycznej do zbioru danych:<\/span><\/p>\n Wsp\u00f3\u0142czynniki w wyniku wskazuj\u0105 \u015bredni\u0105 zmian\u0119 logarytmu szans na niewykonanie zobowi\u0105zania.<\/span><\/p>\n Na przyk\u0142ad wzrost salda<\/strong> o jedn\u0105 jednostk\u0119 jest powi\u0105zany ze \u015brednim wzrostem logarytmicznego prawdopodobie\u0144stwa niewykonania zobowi\u0105zania o 0,005988<\/strong> .<\/span><\/p>\n Aby zamiast tego obliczy\u0107 iloraz szans dla ka\u017cdej zmiennej predykcyjnej, mo\u017cemy zastosowa\u0107 nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c obliczy\u0107 ka\u017cdy iloraz szans, a tak\u017ce 95% przedzia\u0142 ufno\u015bci dla ka\u017cdego ilorazu szans:<\/span><\/p>\n Iloraz szans dla ka\u017cdego wsp\u00f3\u0142czynnika reprezentuje \u015bredni wzrost prawdopodobie\u0144stwa niewyp\u0142acalno\u015bci danej osoby, przy za\u0142o\u017ceniu, \u017ce wszystkie inne zmienne predykcyjne pozostaj\u0105 sta\u0142e.<\/span><\/p>\n Na przyk\u0142ad saldo<\/strong> zmiennej predykcyjnej ma iloraz szans r\u00f3wny 1,0057<\/strong> .<\/span><\/p>\n Oznacza to, \u017ce za ka\u017cdego dodatkowego dolara na koncie ryzyko, \u017ce dana osoba nie sp\u0142aci kredytu, wzrasta 1,0057<\/strong> , przy za\u0142o\u017ceniu, \u017ce status studenta i dochody pozostaj\u0105 niezmienne<\/em> .<\/span><\/p>\n W ten sam spos\u00f3b mo\u017cemy zinterpretowa\u0107 iloraz szans dla innych zmiennych predykcyjnych.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak u\u017cywa\u0107 Predict() z modelem regresji logistycznej w R<\/a> Regresja logistyczna to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna. Po dopasowaniu modelu regresji logistycznej w R wsp\u00f3\u0142czynniki w podsumowaniu modelu reprezentuj\u0105 \u015bredni\u0105 zmian\u0119 logarytmu szans zmiennej odpowiedzi zwi\u0105zan\u0105 ze wzrostem o jedn\u0105 jednostk\u0119 ka\u017cdej zmiennej predykcyjnej. Jednak cz\u0119sto zamiast tego chcemy obliczy\u0107 iloraz szans dla zmiennych predykcyjnych w […]<\/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-4488","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n exp(coef(model))\n<\/strong><\/pre>\n
exp(cbind(Odds_Ratio = coef(model), confint(model)))<\/strong><\/pre>\n
Przyk\u0142ad: Obliczanie iloraz\u00f3w szans w modelu regresji logistycznej w 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 Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak interpretowa\u0107 Pr(>|z|) w wynikach regresji logistycznej w R<\/a>
Jak wykre\u015bli\u0107 krzyw\u0105 regresji logistycznej w R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"