A regress\u00e3o log\u00edstica usa um m\u00e9todo conhecido como estimativa de m\u00e1xima verossimilhan\u00e7a<\/em> para encontrar uma equa\u00e7\u00e3o da seguinte forma:<\/span><\/p>\n log[p(X) \/ (1 –<\/sub> p(X))] = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> + \u03b2 2<\/sub> X 2<\/sub> +\u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n A f\u00f3rmula no lado direito da equa\u00e7\u00e3o prev\u00ea o log de probabilidade<\/strong> de que a vari\u00e1vel de resposta assuma o valor 1.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como ajustar um modelo de regress\u00e3o log\u00edstica no SAS.<\/span><\/p>\n Primeiro, criaremos um conjunto de dados contendo informa\u00e7\u00f5es sobre as tr\u00eas vari\u00e1veis a seguir para 18 alunos:<\/span><\/p>\n A seguir, usaremos proc Logistics<\/strong> para ajustar o modelo de regress\u00e3o log\u00edstica, usando \u201caceita\u00e7\u00e3o\u201d como vari\u00e1vel de resposta e \u201cgpa\u201d e \u201cagir\u201d como vari\u00e1veis preditoras.<\/span><\/p>\n Nota<\/strong> : A diminui\u00e7\u00e3o<\/strong> deve ser especificada para o SAS prever a probabilidade de a vari\u00e1vel de resposta assumir o valor 1. Por padr\u00e3o, o SAS prev\u00ea a probabilidade de a vari\u00e1vel de resposta assumir o valor 0.<\/span> <\/p>\n A primeira tabela de interesse \u00e9 intitulada Model Fit Statistics<\/strong> .<\/span><\/p>\n Nesta tabela podemos ver o valor AIC do modelo, que \u00e9 16.595<\/strong> . Quanto menor o valor do AIC, melhor o modelo \u00e9 capaz de ajustar os dados.<\/span><\/p>\n No entanto, n\u00e3o h\u00e1 limite para o que \u00e9 considerado um valor \u201cbom\u201d de AIC<\/a> . Em vez disso, usamos o AIC para comparar o ajuste de v\u00e1rios modelos ao mesmo conjunto de dados. O modelo com o menor valor de AIC \u00e9 geralmente considerado o melhor.<\/span><\/p>\n A pr\u00f3xima tabela de interesse \u00e9 intitulada Testando a hip\u00f3tese nula global: BETA=0<\/strong> .<\/span><\/p>\n Nesta tabela, podemos ver o valor qui-quadrado da raz\u00e3o de verossimilhan\u00e7a de 13,4620<\/strong> com um valor p correspondente de 0,0012<\/strong> .<\/span><\/p>\n Como esse valor p \u00e9 inferior a 0,05, isso nos diz que o modelo de regress\u00e3o log\u00edstica como um todo \u00e9 estatisticamente significativo.<\/span><\/p>\n A seguir, podemos analisar as estimativas dos coeficientes na tabela intitulada An\u00e1lise de estimativas de m\u00e1xima verossimilhan\u00e7a<\/strong> .<\/span><\/p>\n Nesta tabela podemos ver os coeficientes de gpa e act, que indicam a varia\u00e7\u00e3o m\u00e9dia no logaritmo das chances de ser aceito na faculdade para um aumento de uma unidade em cada vari\u00e1vel.<\/span><\/p>\n Por exemplo:<\/span><\/p>\n Os valores p correspondentes no resultado tamb\u00e9m nos d\u00e3o uma ideia de qu\u00e3o eficaz \u00e9 cada vari\u00e1vel preditora em prever a probabilidade de ser aceita:<\/span><\/p>\n Isto nos diz que o GPA parece ser um preditor estatisticamente significativo de aceita\u00e7\u00e3o na faculdade, enquanto a pontua\u00e7\u00e3o do ACT n\u00e3o parece ser estatisticamente significativa.<\/span><\/p>\n Os tutoriais a seguir explicam como ajustar outros modelos de regress\u00e3o no SAS:<\/span><\/p>\n Como realizar regress\u00e3o linear simples no SAS<\/a> A regress\u00e3o log\u00edstica \u00e9 um m\u00e9todo que podemos usar para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria. A regress\u00e3o log\u00edstica usa um m\u00e9todo conhecido como estimativa de m\u00e1xima verossimilhan\u00e7a para encontrar uma equa\u00e7\u00e3o da seguinte forma: log[p(X) \/ (1 – p(X))] = \u03b2 0 + \u03b2 1 X 1 + […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2599","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Etapa 1: crie o conjunto de dados<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/journalsas1.jpg\")
<\/p>\n Passo 2: Ajustar o modelo de regress\u00e3o log\u00edstica<\/strong><\/span><\/h3>\n
\/*fit logistic regression model*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending<\/span> ;\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logsas2.jpg\")
<\/p>\n\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla no SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"