Logistik regresi: model dan kaedah

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. regresi logistik dan analisis diskriminan digunakan apabila ia adalah perlu untuk membezakan dengan jelas responden kategori disasarkan. Selain itu, kumpulan-kumpulan ini adalah satu tahap parameter univariat. а также выясним, для чего она нужна. Pertimbangkan lebih terperinci regresi logistik model, serta mengetahui apa yang ia adalah untuk.

gambaran Keseluruhan

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Contoh masalah ini, dalam larutan yang digunakan regresi logistik, mungkin pengelasan responden oleh kumpulan membeli dan tidak membeli mustard. pembezaan ini dijalankan mengikut ciri-ciri sosio-demografi. Ini termasuk, khususnya, termasuk umur, jantina, bilangan ahli keluarga, pendapatan dan sebagainya. Terdapat kriteria untuk membezakan dan pembolehubah dalam operasi itu. Yang terakhir mengekod kategori sasaran yang mana, sebenarnya, perlu membahagikan responden.

nuansa

, значительно уже, чем для дискриминантного анализа. Ia mesti berkata bahawa pelbagai kes di mana logistik regresi digunakan, lebih sempit daripada analisis diskriminan. Dalam hal ini, penggunaan kedua sebagai kaedah universal bagi pembezaan dianggap lebih pilihan. Selain itu, pakar cadangkan bermula dengan analisis diskriminatif kajian klasifikasi. Dan hanya dalam kes yang tidak menentu untuk keputusan boleh digunakan regresi logistik. keperluan ini adalah disebabkan oleh beberapa faktor. используется при наличии четкого представления о типе независимых и зависимых переменных. regresi logistik digunakan apabila terdapat idea yang jelas tentang jenis pembolehubah bebas dan bergantung. Oleh itu, memilih satu daripada 3 prosedur mungkin. Apabila analisis diskriminan, penyelidik sentiasa berurusan dengan operasi statik. Ia melibatkan satu pembolehubah mutlak bebas bergantung dan beberapa dengan skala apa-apa jenis.

jenis

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. penyelidikan statistik objektif, yang menggunakan regresi logistik, adalah untuk menentukan kemungkinan bahawa responden tertentu akan diberikan kepada kumpulan tertentu. Pembezaan dijalankan mengikut parameter tertentu. Dalam amalan, sesuai dengan nilai-nilai satu atau lebih berdikari faktor boleh dikelaskan kepada dua kumpulan responden. . Dalam kes ini, terdapat regresi logistik binari. Juga parameter yang dinyatakan boleh digunakan dalam peruntukan kepada kumpulan adalah lebih besar daripada dua orang. Dalam keadaan seperti itu terdapat regresi logistik multinomial. Kumpulan menyebabkan menyatakan tahap mana-mana satu pembolehubah.

contoh

Katakan terdapat sebarang jawapan responden kepada persoalan sama ada mereka berminat untuk tawaran untuk membeli tanah di pinggir bandar Moscow. Dalam kes ini, pilihan yang "tidak" dan "ya." Kita perlu mengetahui apa faktor mempunyai pengaruh utama kepada keputusan pembeli yang berpotensi. Bagi responden ini soalan ditanya mengenai infrastruktur wilayah, jarak ke ibu negara, kawasan tanah, kehadiran / ketiadaan bangunan kediaman dan sebagainya. Dengan menggunakan regresi binari, boleh diagihkan dalam dua kumpulan responden. Yang pertama akan termasuk orang-orang yang berminat untuk membeli - bakal pembeli, dan yang kedua, masing-masing, mereka yang tidak berminat dalam apa-apa tawaran. Bagi setiap responden, di samping itu, ia akan dikira kebarangkalian tugasan kepada satu kategori atau yang lain.

ciri-ciri perbandingan

Tidak seperti dua penjelmaan di atas terdiri daripada nombor yang berbeza dan jenis kumpulan bersandar dan pembolehubah bebas. Dalam regresi binari, sebagai contoh, mengkaji faktor pergantungan dikotomi dari satu atau lebih berdikari syarat. Dalam kes ini, mereka ini boleh menjadi apa-apa jenis skala. regresi multinomial dianggap sejenis versi klasifikasi. Ia berkaitan dengan pembolehubah bersandar lebih daripada 2 kumpulan. faktor bebas mesti mempunyai sama ada ordinal atau skala nominal.

Regresi logistik dalam SPSS

Pakej 11-12 statistik, memperkenalkan versi baru analisis - urutan. Kaedah ini digunakan apabila faktor bergantung berkaitan dengan nama skala yang sama (ordinal). Dalam kes ini, pembolehubah bebas memilih satu jenis tertentu. Mereka mesti memuat ordinal atau nominal. Pengelasan dalam beberapa kategori dianggap sebagai yang paling serba boleh. Kaedah ini boleh digunakan dalam semua kajian yang digunakan regresi logistik. , однако, можно только с помощью всех трех приемов. Meningkatkan kualiti model, bagaimanapun, adalah mungkin hanya dengan menggunakan ketiga-tiga kaedah.

klasifikasi ordinal

Dikatakan bahawa sebelum ini dalam pakej statistik tidak diberi peluang untuk membuat analisis khusus khas untuk faktor bergantung dengan skala ordinal. Untuk semua pembolehubah, dengan bilangan kumpulan lebih daripada 2 digunakan pilihan multinomial. Diperkenalkan baru-baru ini analisis urutan mempunyai beberapa ciri-ciri. Mereka mengambil kira khusus skala ia. часто не рассматривается как отдельный прием. Sementara itu, dalam manual metodologi regresi logistik ordinal sering tidak dianggap sebagai penerimaan yang berasingan. sebab itu adalah seperti berikut: Analisis siri tidak mempunyai kelebihan dari multinomial. penyelidik juga boleh menggunakan kedua di hadapan dan ordinal, dan berubah-ubah bergantung nominal. Dengan berbuat demikian, proses klasifikasi hampir tidak dapat dibezakan antara satu sama lain. Ini bermakna bahawa analisis perintah pegangan tidak akan menyebabkan sebarang masalah.

analisis pilihan

Pertimbangkan kes mudah - regresi binari. Sebagai contoh, dalam proses penyelidikan pemasaran anggaran permintaan bagi graduan universiti metropolitan tertentu. Di dalam soal selidik, responden soalan, termasuk bertanya:

1. Adakah anda bekerja? (SI).
2. Menentukan tamat pengajian tahun (q 21).
3. Apa yang skor purata keluar (aver).
4. Jantina (S22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. regresi logistik akan menilai kesan faktor bebas menegaskan, q 21 dan q 22 di ql berubah-ubah. Ringkasnya, tujuan analisis ini adalah untuk menentukan pekerjaan yang mungkin graduan berdasarkan maklumat di atas padang, akhir tahun ini, dan skor purata.

Regresi logistik

Untuk menetapkan parameter menggunakan regresi binari, gunakan menu Analyze►Regression►Binary Logistic. Dalam Logistic Regression untuk memilih dalam senarai sebelah kiri pembolehubah ada faktor bergantung. Mereka adalah ql. pembolehubah ini mesti diletakkan di lapangan Tanggungan. Selepas itu, anda mesti memasukkan tapak kovariat faktor bebas - q 21, q 22, aver. Kemudian anda perlu memilih cara termasuk mereka dalam analisis. Jika bilangan faktor bebas lebih daripada 2, tidak menggunakan kaedah pentadbiran serentak semua pembolehubah, yang dipasang secara lalai, dan langkah demi langkah. Cara yang paling popular tidak ke belakang: LR. Menggunakan butang Pilih, anda tidak boleh termasuk dalam kajian semua responden, dan hanya satu kategori sasaran tertentu.

Menentukan Pembolehubah Categorical

butang mutlak untuk digunakan dalam kes apabila salah satu pemboleh ubah undian untuk bilangan kategori lebih daripada 2. Dalam keadaan ini, Tentukan tetingkap Pembolehubah Categorical di stesen Categorical kovariat diletakkan hanya apa-apa pilihan. Dalam contoh ini, seperti pembolehubah yang hilang. Selepas itu senarai juntai bawah, pilih item Kontras Sisihan dan klik butang Tukar. Hasilnya, beberapa pembolehubah bergantung akan dihasilkan daripada setiap faktor undian. Bilangan mereka sepadan dengan jumlah terma asal kategori.

Jimat Pembolehubah New

Gunakan butang Simpan dalam kajian utama ditetapkan untuk membuat tetapan baru kotak dialog. Mereka akan mengandungi nombor dikira dalam proses regresi. Khususnya, ia adalah mungkin untuk mewujudkan pemboleh ubah yang menentukan:

1. Kepunyaan kategori tertentu klasifikasi (Groupmembership).
2. Kebarangkalian mengklasifikasikan responden dalam setiap kumpulan kajian (Kebarangkalian).

Apabila menggunakan butang Pilihan penyelidik tidak menerima apa-apa peluang yang ketara. Oleh itu, ia boleh diabaikan. Selepas menekan butang "OK" dalam tetingkap utama akan dipaparkan keputusan analisis.

Kawalan kualiti kecukupan regresi logistik

Pertimbangkan jadual Pekali Omnibus Testsof Model. Ia memaparkan keputusan analisis kualiti model penghampiran. Kerana kenyataan bahawa pilihan tambahan, anda perlu berhati-keputusan peringkat terakhir (Step2) telah ditetapkan. Akan dianggap keputusan yang positif, di mana peningkatan dikesan indeks Chi-square dalam peralihan ke langkah seterusnya pada tahap yang tinggi kepentingan (Sig. <0,05). Kualiti model dianggarkan selaras Model. Jika anda mendapat nilai yang negatif, tetapi ia tidak dianggap sebagai penting jika model materialiti tinggi keseluruhan, yang terakhir boleh dianggap praktikal yang boleh digunakan.

jadual

Model Ringkasan menyediakan anggaran daripada jumlah indeks penyebaran, yang menerangkan model yang dibina (angka R Square). Ia adalah disyorkan untuk memohon nilai Nagelker itu. penunjuk positif boleh dianggap sebagai parameter Nagelkerke R Square, jika ia adalah lebih tinggi daripada 0.50. Selepas itu dinilai hasil klasifikasi di mana petunjuk sebenar yang dimiliki oleh satu atau satu lagi kategori kajian berbanding yang diramalkan oleh model regresi. Bagi tujuan ini Jadual Rajah Klasifikasi. Ia juga membolehkan anda untuk membuat kesimpulan tentang ketepatan pembezaan bagi setiap kumpulan yang berkenaan. . Jadual berikut membolehkan untuk mencari faktor bebas statistik yang signifikan yang dimasukkan ke dalam analisis dan juga bukan standard faktor regresi logistik. Berdasarkan indikator ini boleh meramalkan gabungan setiap responden dalam sampel kepada kumpulan tertentu. pembolehubah baru boleh dimasukkan menggunakan butang Simpan. Mereka akan mengandungi maklumat mengenai keanggotaan kategori tertentu klasifikasi (Predictedcategory) dan kebarangkalian dimasukkan ke dalam kumpulan-kumpulan ini (keahlian kebarangkalian Meramalkan). Selepas menekan butang "OK" dalam tetingkap utama akan dipaparkan keputusan pengiraan multinomial Logistik Regresi.

Jadual pertama, yang mengandungi petunjuk penting bagi penyelidik, - Model pemasangan. Satu tahap yang tinggi kepentingan statistik akan menunjukkan kepada yang berkualiti dan kesesuaian penggunaan model untuk menyelesaikan masalah praktikal. Lain jadual penting ialah Pseudo R-Square. Ia membolehkan anda untuk menganggarkan bahagian daripada jumlah varian dalam faktor bergantung kepada, yang disebabkan oleh pembolehubah bebas yang dipilih untuk analisis. Menurut Jadual Kemungkinan Ujian Nisbah boleh membuat kesimpulan tentang kepentingan statistik yang kedua. Anggaran Parameter mencerminkan pekali bukan seragam. Ia digunakan dalam pembinaan persamaan. Di samping itu, untuk setiap gabungan pembolehubah ini telah dipilih kepentingan statistik kesannya terhadap faktor bersandar. Sementara itu, penyelidikan pasaran adalah perlu untuk membezakan kategori responden tidak secara berasingan, tetapi sebagai sebahagian daripada kumpulan sasaran. Untuk tujuan ini jadual Observedand Frekuensi Jangkaan.

aplikasi praktikal

Cara dianggap analisis digunakan secara meluas dalam kerja-kerja peniaga. Pada tahun 1991, penunjuk sigmoid regresi logistik telah dibangunkan. Beliau adalah satu alat yang mudah untuk digunakan dan berkesan yang boleh digunakan untuk meramalkan harga mungkin "terlalu panas" mereka. Penunjuk dibentangkan pada graf dalam bentuk saluran dibentuk oleh dua garis melanjutkan secara selari. Mereka dikeluarkan jarak yang sama dari trend. Lebar koridor akan bergantung sepenuhnya kepada tempoh masa yang. penunjuk digunakan apabila bekerja dengan hampir semua aset - dari pasangan mata wang untuk logam berharga.

Dalam amalan, ia menghasilkan 2 strategi utama untuk penggunaan instrumen: pecahan dan perubahan arah. Dalam kes kedua pedagang itu akan memberi tumpuan kepada dinamik perubahan harga dalam saluran. Pada kemungkinan bahawa gerakan bermula ke arah yang bertentangan kerana ia menghampiri kos sokongan atau rintangan Kadar garis. Jika harga yang rapat sesuai dengan had atas, maka aset tersebut boleh dihapuskan. Jika ia adalah pada had yang lebih rendah, anda perlu berfikir tentang membeli. pecahan strategi melibatkan penggunaan waran. Mereka dipasang di luar had jarak yang singkat. Dengan mengambil kira bahawa harga dalam beberapa kes melanggar mereka untuk masa yang singkat, anda perlu bermain selamat dan menetapkan stop-loss. Pada masa yang sama, sudah tentu, tidak kira strategi yang dipilih memerlukan peniaga untuk memaksimumkan tenang melihat dan menilai keadaan yang telah timbul di pasaran.

kesimpulan

Oleh itu, penggunaan regresi logistik membolehkan anda dengan cepat dan mudah mengkategorikan responden kepada kategori mengikut parameter yang dinyatakan. Apabila menganalisis kemungkinan penggunaan cara yang tertentu. Khususnya, serba boleh regresi multinomial berbeza. Walau bagaimanapun, pakar-pakar mengesyorkan penggunaan semua kaedah yang dinyatakan di atas di kompleks tersebut. Ini adalah disebabkan oleh hakikat bahawa dalam kes ini, kualiti model tersebut akan menjadi lebih tinggi. Ini seterusnya, mengembangkan pelbagai permohonannya.