วิธีการตีความการสกัดกั้นการถดถอยลอจิสติก (พร้อมตัวอย่าง)

การถดถอยแบบลอจิสติก เป็นวิธีการที่เราสามารถใช้เพื่อให้พอดีกับแบบจำลองการถดถอยเมื่อ ตัวแปรตอบสนอง เป็นไบนารี

เมื่อเราปรับโมเดลการถดถอยโลจิสติกให้เหมาะสม คำเดิมในเอาต์พุตของโมเดลจะแสดงถึง อัตราต่อรองของบันทึกของตัวแปรตอบสนองที่เกิดขึ้น เมื่อตัวแปรทำนายทั้งหมดมีค่าเท่ากับศูนย์

อย่างไรก็ตาม เนื่องจากความน่าจะเป็นของบันทึกนั้นตีความได้ยาก โดยทั่วไปเราจึงวางกรอบการสกัดกั้นในแง่ของความน่าจะเป็น

เราสามารถใช้สูตรต่อไปนี้เพื่อทำความเข้าใจความน่าจะเป็นของตัวแปรตอบสนองที่เกิดขึ้น โดยที่ตัวแปรทำนายแต่ละตัวในแบบจำลองนั้นเป็นศูนย์:

 P = e β 0 / (1 +e β 0 )

ตัวอย่างต่อไปนี้แสดงวิธีตีความจุดตัดการถดถอยโลจิสติกในทางปฏิบัติ

ที่เกี่ยวข้อง: วิธีการตีความค่าสัมประสิทธิ์การถดถอยโลจิสติก

ตัวอย่าง: วิธีการตีความจุดตัดการถดถอยโลจิสติก

สมมติว่าเราต้องการปรับโมเดลการถดถอยลอจิสติกโดยใช้ เพศ และ จำนวนข้อสอบฝึกหัด เพื่อคาดการณ์ว่านักเรียนจะผ่านการสอบปลายภาคในชั้นเรียนหรือไม่

สมมติว่าเราปรับโมเดลโดยใช้ซอฟต์แวร์ทางสถิติ (เช่น R, Python , Excel หรือ SAS ) และได้รับผลลัพธ์ต่อไปนี้:

เราจะเห็นว่าคำเดิมมีค่าเท่ากับ -1.34

ซึ่งหมายความว่า เมื่อ เพศ เป็นศูนย์ (เช่น นักเรียนเป็นผู้หญิง) และเมื่อ การสอบภาคปฏิบัติ เป็นศูนย์ (นักเรียนไม่ได้ทำการสอบภาคปฏิบัติใดๆ เพื่อเตรียมสอบปลายภาค) อัตราต่อรองลอการิทึมที่นักเรียนจะผ่านการสอบคือ -1.34 . .

เนื่องจากอัตราต่อรองบันทึกเป็นเรื่องยากที่จะเข้าใจ เราจึงสามารถเขียนสิ่งต่าง ๆ ใหม่ในแง่ของความน่าจะเป็นแทน:

• ความน่าจะเป็นที่จะสำเร็จ = e ^{β ₀} / (1 +e ^{β ₀} )
• ความน่าจะเป็นที่จะสำเร็จ = e ^-1.34 / (1 +e ^-1.34 )
• ความน่าจะเป็นที่จะสำเร็จ = 0.208

เมื่อตัวแปรทำนายทั้งสองมีค่าเท่ากับศูนย์ (คือ นักเรียนที่ยังไม่ได้สอบเตรียมอุดมศึกษา) ความน่าจะเป็นที่นักเรียนจะผ่านการสอบปลายภาคคือ 0.208

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้ให้ข้อมูลเพิ่มเติมเกี่ยวกับการถดถอยโลจิสติก:

วิธีรายงานผลการถดถอยโลจิสติก
ทำความเข้าใจสมมติฐานว่างสำหรับการถดถอยโลจิสติก
ความแตกต่างระหว่างการถดถอยโลจิสติกและการถดถอยเชิงเส้น