Como realizar regressão logística no spss

A regressão logística é um método que usamos para ajustar um modelo de regressão quando a variável de resposta é binária.

Este tutorial explica como realizar regressão logística no SPSS.

Exemplo: regressão logística em SPSS

Use as etapas a seguir para realizar a regressão logística no SPSS para um conjunto de dados indicando se os jogadores de basquete universitário foram ou não convocados para a NBA (draft: 0 = não, 1 = sim) com base em seu GPA. pontos por jogo e seu nível de divisão.

Passo 1: Insira os dados.

Primeiro, insira os seguintes dados:

Etapa 2: Execute a regressão logística.

Clique na guia Analisar , em Regressão e em Regressão Logística Binária :

Na nova janela que aparece, arraste o projeto da variável de resposta binária para a área denominada Dependente. Em seguida, arraste os dois pontos e a divisão das variáveis preditoras para a caixa denominada Bloco 1 de 1. Deixe o método definido como Enter. Em seguida, clique em OK .

Etapa 3. Interprete o resultado.

Depois de clicar em OK , o resultado da regressão logística aparecerá:

Veja como interpretar o resultado:

Resumo do modelo: A métrica mais útil nesta tabela é o Nagelkerke R Square, que nos informa a porcentagem de variação na variável de resposta que pode ser explicada pelas variáveis preditoras. Neste caso, os pontos e a divisão podem explicar 72,5% da variabilidade do calado.

Tabela de classificação: A métrica mais útil nesta tabela é a porcentagem geral, que nos informa a porcentagem de observações que o modelo foi capaz de classificar corretamente. Neste caso, o modelo de regressão logística foi capaz de prever corretamente o resultado do draft de 85,7% dos jogadores.

Variáveis na equação: Esta última tabela nos fornece diversas medidas úteis, incluindo:

• Wald: estatística do teste de Wald para cada variável preditora, que é usada para determinar se cada variável preditora é estatisticamente significativa ou não.
• Sig: valor p que corresponde à estatística do teste de Wald para cada variável preditora. Vemos que o valor p para pontos é 0,039 e o valor p para divisão é 0,557.
• Exp(B): razão de chances para cada variável preditora. Isto nos diz a mudança nas chances de um jogador ser convocado associada a um aumento de uma unidade em uma determinada variável preditora. Por exemplo, as probabilidades de um jogador da Divisão 2 ser convocado são apenas 0,339 das probabilidades de um jogador da Divisão 1 ser convocado. Da mesma forma, cada aumento unitário adicional em pontos por jogo está associado a um aumento de 1.319 nas chances de um jogador ser convocado.

Podemos então usar os coeficientes (os valores na coluna denominada B) para prever a probabilidade de um determinado jogador ser convocado, usando a seguinte fórmula:

Probabilidade = e ^{-3,152 + 0,277 (pontos) – 1,082 (divisão)} / (1+e ^{-3,152 + 0,277 (pontos) – 1,082 (divisão)} )

Por exemplo, a probabilidade de um jogador com média de 20 pontos por jogo e jogar na Divisão 1 ser convocado pode ser calculada da seguinte forma:

Probabilidade = e ^{-3,152 + 0,277(20) – 1,082(1)} / (1+e ^{-3,152 + 0,277(20) – 1,082(1)} ) = 0,787 .

Como esta probabilidade é maior que 0,5, previríamos que este jogador seria convocado.

Passo 4. Relate os resultados.

Finalmente, gostaríamos de relatar os resultados da nossa regressão logística. Aqui está um exemplo de como fazer isso:

Uma regressão logística foi realizada para determinar como os pontos por jogo e nível de divisão afetam a probabilidade de um jogador de basquete ser convocado. Um total de 14 jogadores foram utilizados na análise.

O modelo explicou 72,5% da variação no resultado do projeto e classificou corretamente 85,7% dos casos.

As chances de um jogador da Divisão 2 ser convocado eram de apenas 0,339 das chances de um jogador da Divisão 1 ser convocado.

Cada aumento unitário adicional em pontos por jogo foi associado a um aumento de 1.319 nas chances de um jogador ser convocado.