로지스틱 회귀분석 예제

avatar
| Uncategorized

이진 로지스틱 회귀 모델은 관찰된 사망 확률 간의 연결을 투여량 수준의 함수로 설명하는 데 사용됩니다. 데이터가 이벤트 / 평가판 형식이기 때문에 Minitab v17의 절차는 이전과 약간 다릅니다 : 1- 확률이 음수 일 수 없으므로 일반적인 회귀 모델에서 지수라는 용어를 도입하여 로지스틱 회귀를 만듭니다. 편차의 두 가지 측정은 로지스틱 회귀에서 특히 중요합니다: null 편차 및 모델 편차. null 편차는 절편(“예측 변수 없음”을 의미함)만 있는 모델과 포화 모델 간의 차이를 나타냅니다. 모델 편차는 하나 이상의 예측 변수가 있는 모델과 포화 모델 간의 차이를 나타냅니다. [29] 이러한 점에서 null 모델은 예측 변수 모델을 비교할 기준을 제공합니다. 편차는 지정된 모델과 포화 모델 간의 차이를 측정한 값임을 감안할 때 값이 작을수록 더 나은 적합성을 나타냅니다. 따라서 예측 변수 또는 예측 변수 집합의 기여도를 평가하기 위해 null 편차에서 모델 편차를 빼고 θ s – p 2 , {디스플레이 스타일 chi _{s-p}^{2},} 자유도와 같은 카이 스퀘어 분포의 차이를 평가할 수 있습니다[14] 매개 변수의 수의 차이. 로지스틱 회귀를 위한 샘플 크기 계산은 복잡한 문제이지만, Peduzzi 등의 작업을 기반으로(1996) 연구에 포함시킬 최소 사례 수에 대한 다음 가이드라인을 제안할 수 있다. 높은 수준에서 로지스틱 회귀는 좋은 오래된 선형 회귀와 매우 유사합니다. 친숙한 선형 회귀 방정식부터 시작해 봅시다: 로지스틱 회귀의 기본 개념은 선형 예측 함수를 사용하여 확률 파이를 모델링하여 선형 회귀를 위해 이미 개발된 메커니즘, 즉 선형 회귀의 선형 조합을 사용하는 것입니다. 설명 변수 및 현재 모델에 특정하지만 모든 시험에서 동일한 회귀 계수 집합입니다. 선형 예측 함수 f (i) {displaystyle f(i)}로 작성된 특정 데이터 포인트에 대해: 이 문제에 대한 로지스틱 회귀를 사용하는 이유는 종속 변수의 값이 “1″과 “0″으로 표시되는 동안 통과 및 실패가 아니라는 것입니다.

추기경 번호입니다. 합격/불합격이 0-100등급(기본 값)으로 바뀌지 않도록 문제가 변경된 경우 간단한 회귀 분석을 사용할 수 있습니다. 로지스틱 회귀 계수는 계수 b0, b1, b2, … 회귀 방정식의 bk: 회귀 계수는 일반적으로 최대 우도 추정을 사용하여 추정됩니다. [26] 일반적으로 분산된 잔차의 선형 회귀와 달리 우도 함수를 최대화하는 계수 값에 대한 닫힌 형식 식을 찾을 수 없으므로 반복 프로세스를 대신 사용해야 합니다. 예를 들어 뉴턴의 방법. 이 프로세스는 임시 솔루션으로 시작하여 개선될 수 있는지 약간 수정하고 더 이상 개선되지 않을 때까지 이 개정을 반복하며, 이 시점에서 프로세스가 수렴된 것으로 전해질 수 있습니다. [26] 로지스틱 회귀에 사용되는 특정 모델은 표준 선형 회귀와 이진 값 결과에 사용되는 다른 유형의 회귀 분석과 구별되며, 특정 결과의 확률이 선형에 연결되는 방식입니다. 예측 기능: 이제 gpa의 한 단위 증가에 대 한 말할 수 있습니다., 대학원에 입학 의 확률 (입학 되지 않은 대) 2.23 의 요인에 의해 증가. 배당률 해석에 대한 자세한 내용은 FAQ 페이지를 참조하여 로지스틱 회귀에서 배당률을 해석하는 방법은 무엇입니까? 종속 변수가 명목이고 하나 이상의 독립 변수가 있는 경우 여러 로지스틱 회귀를 사용합니다. 여러 선형 회귀와 유사하며 모두 동일한 주의 사항이 적용됩니다.

간단한 로지스틱 회귀는 측정 변수가 일반적으로 분산된다고 가정하지 않습니다. 회귀 계수의 두 개의 별도 세트가 도입된 것을 참고, 양방향 잠복 변수 모델에서와 마찬가지로, 두 방정식은 추가 용어와 함께 선형 예측변수로 관련 확률의 로그릿헴을 작성하는 형태를 나타납니다 – l n Z { 디스플레이 스타일 -lnZ} 끝에 있습니다.