<\/p>\n
A regress\u00e3o log\u00edstica<\/a> \u00e9 um m\u00e9todo que podemos usar para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria.<\/span><\/p>\n Quando voc\u00ea ajusta um modelo de regress\u00e3o log\u00edstica em R, os coeficientes no resumo do modelo representam a mudan\u00e7a m\u00e9dia nas probabilidades logar\u00edtmicas<\/strong> da vari\u00e1vel de resposta associada a um aumento de uma unidade em cada vari\u00e1vel preditora.<\/span><\/p>\n No entanto, muitas vezes queremos calcular a raz\u00e3o de chances<\/strong> para as vari\u00e1veis preditoras no modelo.<\/span><\/p>\n Para calcular rapidamente as taxas de probabilidade para cada vari\u00e1vel preditora no modelo, voc\u00ea pode usar a seguinte sintaxe:<\/span><\/p>\n Voc\u00ea tamb\u00e9m pode calcular um intervalo de confian\u00e7a de 95% para cada raz\u00e3o de probabilidade usando a seguinte sintaxe:<\/span><\/p>\n O exemplo a seguir mostra como usar essa sintaxe para calcular e interpretar odds ratio para um modelo de regress\u00e3o log\u00edstica em R.<\/span><\/p>\n Para este exemplo, usaremos o conjunto de dados padr\u00e3o<\/strong> do pacote ISLR<\/strong> em R.<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo para carregar e exibir um resumo do conjunto de dados:<\/span><\/p>\n Este conjunto de dados cont\u00e9m as seguintes informa\u00e7\u00f5es sobre 10.000 indiv\u00edduos:<\/span><\/p>\n Usaremos a situa\u00e7\u00e3o estudantil, o saldo banc\u00e1rio e a renda para construir um modelo de regress\u00e3o log\u00edstica que prev\u00ea a probabilidade de inadimpl\u00eancia de um determinado indiv\u00edduo.<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o glm<\/strong> e especificar family=’binomial’ para que R ajuste um modelo de regress\u00e3o log\u00edstica ao conjunto de dados:<\/span><\/p>\n Os coeficientes no resultado indicam a varia\u00e7\u00e3o m\u00e9dia no log das probabilidades de inadimpl\u00eancia.<\/span><\/p>\n Por exemplo, um aumento de uma unidade no saldo<\/strong> est\u00e1 associado a um aumento m\u00e9dio de 0,005988<\/strong> no log da probabilidade de incumprimento.<\/span><\/p>\n Em vez disso, para calcular a raz\u00e3o de chances para cada vari\u00e1vel preditora, podemos usar a seguinte sintaxe:<\/span><\/p>\n Tamb\u00e9m podemos calcular cada odds ratio, bem como um intervalo de confian\u00e7a de 95% para cada odds ratio:<\/span><\/p>\n A raz\u00e3o de chances para cada coeficiente representa o aumento m\u00e9dio nas probabilidades de inadimpl\u00eancia de um indiv\u00edduo, assumindo que todas as outras vari\u00e1veis preditoras permanecem constantes.<\/span><\/p>\n Por exemplo, o saldo<\/strong> da vari\u00e1vel preditora tem uma raz\u00e3o de chances de 1,0057<\/strong> .<\/span><\/p>\n Isto significa que, por cada d\u00f3lar adicional no saldo que um indiv\u00edduo carrega, as probabilidades de o indiv\u00edduo deixar de pagar o seu empr\u00e9stimo aumentam por um factor de 1,0057<\/strong> , assumindo que o estatuto de estudante e o rendimento permanecem constantes<\/em> .<\/span><\/p>\n Podemos interpretar as raz\u00f5es de probabilidade para as outras vari\u00e1veis preditoras da mesma maneira.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como usar Predict() com modelo de regress\u00e3o log\u00edstica em R<\/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. Quando voc\u00ea ajusta um modelo de regress\u00e3o log\u00edstica em R, os coeficientes no resumo do modelo representam a mudan\u00e7a m\u00e9dia nas probabilidades logar\u00edtmicas da vari\u00e1vel de resposta associada a um aumento de uma […]<\/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-4488","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n exp(coef(model))\n<\/strong><\/pre>\n
exp(cbind(Odds_Ratio = coef(model), confint(model)))<\/strong><\/pre>\n
Exemplo: Calculando Odds Ratios em um modelo de regress\u00e3o log\u00edstica em 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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como interpretar Pr(>|z|) na sa\u00edda de regress\u00e3o log\u00edstica em R<\/a>
Como tra\u00e7ar uma curva de regress\u00e3o log\u00edstica em R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"