Logistik regressiya ionli modeli

Logistik regressiya ma'lumotlari

Ma'lumotlar. Bog'liq o'zgaruvchi ikkilamchi bo'lishi kerak. Tushuntiruvchi o'zgaruvchilar oraliq darajali yoki kategorik bo'lishi mumkin; kategoriyali xayoliy (ikkilik) yoki indikatorli kodlash bo'lishi kerak (protsedurada kategorik o'zgaruvchilarni avtomatik ravishda qayta hisoblash imkoniyati mavjud). 

Taxminlar. Logistik regressiya diskriminant tahlil bilan bir xil ma'noda taqsimot taxminlariga tayanmaydi. Biroq, taxminchilarning tarqalishi ko'p o'zgaruvchan normal bo'lsa, sizning qaroringiz barqarorroq bo'lishi mumkin. Bundan tashqari, boshqa regressiya shakllarida bo'lgani kabi , prediktorlarda kollinearlik bir tomonlama baholarga va o'rtacha o'rtacha kvadrat xatolarga olib kelishi mumkin. Ushbu protsedura, guruhlash o'zgaruvchisi haqiqatan ham kategorik bo'lgan vaziyatda eng samarali hisoblanadi; agar guruh a'zoligi doimiy o'zgaruvchining qiymatlari bilan aniqlansa (masalan, yuqori IQ va past IQ) , ko'proq ma'lumotli doimiy o'zgaruvchidan foydalanish uchun chiziqli regressiyaga o'tish mantiqan to'g'ri keladi. 

Tegishli protseduralar. Ma'lumotlaringizdagi kollinearlikdan himoya qilish uchun Scatter Plot protsedurasidan foydalaning . Agar ko'p o'zgaruvchan normallik va teng kovaryans matritsalari haqidagi taxminlar qondirilsa, diskriminantli tahlil protsedurasi yordamida tezroq yechim topishingiz mumkin. Agar sizning barcha taxminiy o'zgaruvchilaringiz toifali bo'lsa , siz log-lineer protseduradan ham foydalanishingiz mumkin . Agar bog'liq o'zgaruvchingiz miqdoriy bo'lsa, Lineer Regression protsedurasidan foydalaning. Logistik regressiya protsedurasida saqlangan ehtimolliklarni chizish uchun ROC Curve protsedurasidan foydalanishingiz mumkin.