<\/p>\n
Este tutorial fornece uma explica\u00e7\u00e3o simples sobre como interpretar a estat\u00edstica C<\/strong> de um modelo de regress\u00e3o log\u00edstica.<\/span><\/p>\n A regress\u00e3o log\u00edstica<\/strong> \u00e9 um m\u00e9todo estat\u00edstico que usamos para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel<\/em> de resposta<\/em> \u00e9 bin\u00e1ria. Aqui est\u00e3o alguns exemplos de uso de regress\u00e3o log\u00edstica:<\/span><\/p>\n Observe que as vari\u00e1veis preditoras podem ser num\u00e9ricas ou categ\u00f3ricas; o que \u00e9 importante \u00e9 que a vari\u00e1vel de resposta seja bin\u00e1ria. Quando for esse o caso, a regress\u00e3o log\u00edstica \u00e9 um modelo apropriado para explicar a rela\u00e7\u00e3o entre as vari\u00e1veis preditoras e a vari\u00e1vel resposta.<\/span><\/p>\n Depois de ajustarmos um modelo de regress\u00e3o log\u00edstica a um conjunto de dados, muitas vezes estamos interessados em saber at\u00e9 que ponto<\/em> o modelo se ajusta aos dados. Especificamente, estamos interessados na capacidade do modelo de prever com precis\u00e3o resultados positivos e negativos.<\/span><\/p>\n Sensibilidade<\/strong> refere-se \u00e0 probabilidade de o modelo prever um resultado positivo para uma observa\u00e7\u00e3o quando o resultado \u00e9 realmente positivo.<\/span><\/p>\n A especificidade<\/strong> refere-se \u00e0 probabilidade de o modelo prever um resultado negativo para uma observa\u00e7\u00e3o quando o resultado \u00e9 realmente negativo.<\/span><\/p>\n Um modelo de regress\u00e3o log\u00edstica \u00e9 perfeito para classificar observa\u00e7\u00f5es se tiver 100% de sensibilidade e especificidade, mas na pr\u00e1tica isso quase nunca acontece.<\/span><\/p>\n Uma vez ajustado o modelo de regress\u00e3o log\u00edstica, ele pode ser utilizado para calcular a probabilidade de uma determinada observa\u00e7\u00e3o ter um resultado positivo, com base nos valores das vari\u00e1veis preditoras.<\/span><\/p>\n Para determinar se uma observa\u00e7\u00e3o deve ser classificada como positiva, podemos escolher um limite tal que as observa\u00e7\u00f5es com uma probabilidade ajustada acima do limite sejam classificadas como positivas e todas as observa\u00e7\u00f5es com uma probabilidade ajustada abaixo do limite sejam classificadas como negativas. .<\/span><\/p>\n Por exemplo, suponha que escolhemos um limite de 0,5. Isso significa que qualquer observa\u00e7\u00e3o com probabilidade ajustada maior que 0,5 ter\u00e1 um resultado positivo, enquanto qualquer observa\u00e7\u00e3o com probabilidade ajustada menor ou igual a 0,5 ter\u00e1 um resultado negativo.<\/span><\/p>\n Uma das maneiras mais comuns de visualizar a sensibilidade versus especificidade de um modelo \u00e9 tra\u00e7ar uma curva<\/strong> Receiver Operating Characteristic ( ROC<\/strong> ), que \u00e9 um gr\u00e1fico de valores de sensibilidade versus especificidade 1 como o valor do limite. o ponto vai de 0 a 1:<\/span><\/p>\n Um modelo com alta sensibilidade e especificidade ter\u00e1 uma curva ROC que se ajusta ao canto superior esquerdo do gr\u00e1fico. Um modelo com baixa sensibilidade e baixa especificidade ter\u00e1 uma curva pr\u00f3xima \u00e0 diagonal de 45 graus.<\/span><\/p>\n A AUC<\/strong> (\u00e1rea sob a curva)<\/strong><\/span> nos d\u00e1 uma ideia da capacidade do modelo de distinguir entre resultados positivos e negativos. A AUC pode variar de 0 a 1. Quanto maior a AUC, melhor ser\u00e1 o modelo na classifica\u00e7\u00e3o correta dos resultados.<\/span><\/p>\n Isso significa que um modelo com uma curva ROC que abra\u00e7a o canto superior esquerdo do gr\u00e1fico teria uma \u00e1rea alta sob a curva e seria, portanto, um modelo que faz um bom trabalho ao classificar corretamente os resultados. Por outro lado, um modelo com uma curva ROC que abra\u00e7a a diagonal de 45 graus teria uma \u00e1rea baixa sob a curva e seria, portanto, um modelo que n\u00e3o faz um bom trabalho de classifica\u00e7\u00e3o de resultados.<\/span><\/p>\n A estat\u00edstica c<\/strong> , tamb\u00e9m conhecida como estat\u00edstica de concord\u00e2ncia<\/em> , \u00e9 igual \u00e0 AUC (\u00e1rea sob a curva) e tem as seguintes interpreta\u00e7\u00f5es:<\/span><\/p>\n Portanto, uma estat\u00edstica C nos d\u00e1 uma ideia de qu\u00e3o eficaz \u00e9 um modelo na classifica\u00e7\u00e3o correta dos resultados.<\/span><\/p>\n Num ambiente cl\u00ednico, \u00e9 poss\u00edvel calcular a estat\u00edstica C tomando todos os pares poss\u00edveis de indiv\u00edduos, ou seja, um indiv\u00edduo que obteve um resultado positivo e um indiv\u00edduo que obteve um resultado negativo. Ent\u00e3o, a estat\u00edstica c pode ser calculada como a propor\u00e7\u00e3o de pares em que o indiv\u00edduo que experimentou um resultado positivo teve uma probabilidade prevista mais alta de experimentar o resultado do que o indiv\u00edduo que n\u00e3o experimentou o resultado positivo.<\/span><\/p>\n Por exemplo, suponha que ajustamos um modelo de regress\u00e3o log\u00edstica usando vari\u00e1veis preditoras como idade<\/em> e press\u00e3o arterial<\/em> para prever a probabilidade de um ataque card\u00edaco.<\/span><\/p>\n Para encontrar a estat\u00edstica c do modelo, conseguimos identificar todos os pares poss\u00edveis de indiv\u00edduos, constitu\u00eddos por um indiv\u00edduo que teve infarto e um indiv\u00edduo que n\u00e3o teve infarto. Ent\u00e3o a estat\u00edstica c pode ser calculada como a propor\u00e7\u00e3o desses pares em que o indiv\u00edduo que sofreu o ataque card\u00edaco realmente teve uma probabilidade prevista maior de sofrer um ataque card\u00edaco em compara\u00e7\u00e3o com o indiv\u00edduo que n\u00e3o sofreu o ataque card\u00edaco. ataque card\u00edaco.<\/span><\/p>\n Neste artigo aprendemos o seguinte:<\/span><\/p>\n Este tutorial fornece uma explica\u00e7\u00e3o simples sobre como interpretar a estat\u00edstica C de um modelo de regress\u00e3o log\u00edstica. O que \u00e9 regress\u00e3o log\u00edstica? A regress\u00e3o log\u00edstica \u00e9 um m\u00e9todo estat\u00edstico que usamos para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria. Aqui est\u00e3o alguns exemplos de uso de regress\u00e3o log\u00edstica: Queremos […]<\/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-510","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n O que \u00e9 regress\u00e3o log\u00edstica?<\/strong><\/span><\/h3>\n
\n
Como avaliar a adequa\u00e7\u00e3o de um modelo de regress\u00e3o log\u00edstica<\/strong><\/span><\/h2>\n
Tra\u00e7ando a curva ROC<\/strong><\/span><\/h2>\n
Compreendendo a estat\u00edstica C<\/strong><\/span><\/h2>\n
\n
Conclus\u00e3o<\/strong><\/span><\/h2>\n
\n