Logistički regresijski: modeli i metode

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Logistička regresija i diskriminacijska analiza se koristi kada je potrebno jasno razlikovati ispitanika ciljane kategorije. Osim toga, te skupine jedna jedina razina univarijatne parametara. а также выясним, для чего она нужна. Razmislite daljnje detalje logistički regresijski model, kao i saznati što je to bilo za.

pregled

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Primjer problema, u otopini koja se koristi logističke regresije, može biti klasifikaciju ispitanika po skupini kupnje i ne kupuju senf. Diferencijacija se provodi u skladu s socio-demografske karakteristike. To uključuje, posebice, uključuju dob, spol, broj članova obitelji, dohodak i tako dalje. Postoje kriteriji za razlikovanje i varijabla u operaciji. Potonji kodira ciljani kategoriju koji, u stvari, potrebno je podijeliti ispitanika.

nijanse

, значительно уже, чем для дискриминантного анализа. Mora se reći da je raspon od slučajeva u kojima su se u regresijski logistiku, puno uži od diskriminacijske analize. U tom smislu, korištenje potonje kao univerzalna metoda za razlikovanje smatra više preferira. Osim toga, stručnjaci preporučuju počevši s klasifikaciju studija diskriminativne analize. I samo u slučaju nesigurnosti za rezultate se može koristiti logističke regresije. Ova potreba je uzrokovano nekoliko čimbenika. используется при наличии четкого представления о типе независимых и зависимых переменных. Logistička regresija koristi kada postoji jasna ideja o vrsti nezavisnih i zavisnih varijabli. S tim u skladu, odabrane jedan od 3 mogućih postupaka. Kada je diskriminacijska analiza, istraživač je uvijek bavi statičkom pogonu. To su uključeni jednu zavisnu i nekoliko samostalnih kategoričke varijable sa skali od bilo koje vrste.

vrste

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Cilj statistička istraživanja, koji koristi logističke regresije, je odrediti vjerojatnost da se određeni ispitanik će biti dodijeljen određenoj skupini. Diferencijacija se provodi u skladu s određenim parametrima. U praksi, u skladu s vrijednostima jedne ili više nezavisnih faktora mogu se svrstati u dvije skupine ispitanika. . U tom slučaju, postoji binarni logistička regresija. Također navedeni parametri mogu se koristiti u namjene grupe veći od dva. U takvoj situaciji postoji multinomijalni logistička regresija. Dobivena skupine koja je razina bilo kojeg jedne varijable.

primjer

Pretpostavimo da postoje ispitanika odgovori na pitanje da li su zainteresirani za ponudu kako bi stekli zemljište u predgrađu Moskve. U tom slučaju, mogućnosti su „ne” i „da”. Moramo saznati što čimbenici imaju dominantan utjecaj na odluke potencijalnih kupaca. Za ovu ispitanik pitanja postavljaju o infrastrukturi na teritoriju, udaljenost do glavnog grada, površina zemljišta, prisutnosti / odsutnosti stambenih zgrada i tako dalje. Binarno regresije, mogu se distribuirati u dvije grupe ispitanika. Prvi će uključivati one koji su zainteresirani za kupnju - potencijalnih kupaca, a drugi, odnosno, oni koji nisu zainteresirani za takve ponude. Za svaki ispitanik, osim toga, to će se izračunati vjerojatnost zadatka na jednu kategoriju ili drugi.

usporedni karakteristike

Za razliku od dva ostvarenja gore sastoji u različitom broju i vrsti skupina zavisne i nezavisne varijable. U binarnom regresije, primjerice, proučavao je ovisnost dihotomni faktor od jednog ili više nezavisnih uvjetima. U tom slučaju, oni mogu biti bilo koje vrste skali. Multinomijalni regresije smatra svojevrsna verzija klasifikacije. To se odnosi na zavisne varijable za više od 2 skupine. Nezavisni faktori moraju imati ili redni ili nominalnu skalu.

Logistička regresija u SPSS

Statistički paket 11-12, predstavio novu verziju analize - slijed. Ova metoda se koristi kada je ovisan faktor se odnosi na isto ime (rednim) skali. U tom slučaju nezavisne varijable odabrane jednu određenu vrstu. Oni moraju biti redni ili nominalna. Klasifikacija u nekoliko kategorija se smatra većina svestran. Ova metoda se može koristiti u svim studijama koje koriste logističke regresije. , однако, можно только с помощью всех трех приемов. Poboljšati kvalitetu modela, međutim, moguće je samo pomoću sve tri metode.

redni klasifikacija

On je rekao da je ranije u statističkom paketu nije bila pružena mogućnost za obavljanje tipičan specijalizirane analize za zavisnih faktora s rednim skali. Za sve varijable, s brojem grupa više od 2 koristi MULTINOMIAL opciju. Predstavljen relativno nedavno analiza sekvenci ima brojne značajke. Oni uzimaju u obzir specifičnosti IT skali. часто не рассматривается как отдельный прием. U međuvremenu, u metodološkim priručnicima redni logistička regresija često ne tretira kao zaseban prijem. Razlog je sljedeći: serijski analiza nema nikakve značajne prednosti u odnosu na multinomijalni. Istraživač može koristiti i potonji u prisutnosti i redni i nominalne varijable ovisne. Na taj način, postupak klasifikacije su gotovo ne razlikuje od drugoga. To znači da analiza gospodarstvo nalog neće uzrokovati nikakve probleme.

Analiza mogućnosti

Razmotrimo jednostavan slučaj - binarni regresiju. Na primjer, u procesu marketinškog istraživanja procijenjena potražnja za diplomiranim određene Metropolitan University. U upitnika ispitanicima su postavljena pitanja, uključujući:

1. Radite li? (Q).
2. Odrediti godine mature (q 21).
3. Koja je prosječna ocjena izlazom (aver).
4. Spol (q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Logistička regresija će procijeniti utjecaj nezavisnih faktora aver, q 21 i Q 22 u promjenjivom QL. Jednostavno rečeno, svrha analize je utvrditi vjerojatnost zapošljavanja diplomiranih studenata na temelju podataka o terenu, na kraju godine, i prosječne ocjene.

logistička regresija

Za postavljanje parametara pomoću binarnog regresiju, koristite izbornik Analyze►Regression►Binary Logistic. U logistička regresija odabrati u lijevom popisu dostupnih varijabli ovisi faktora. Oni je QL. Ova varijabla mora biti postavljena u zavisnim polju. Nakon toga, morate unijeti Stranici kovarijable neovisne čimbenike - Q 21, q 22, aver. Zatim morate odabrati način, uključujući ih u analizi. Ako je broj nezavisnih faktora više od 2, ne koristite metodu istovremenog davanja svih varijabli, koji je instaliran po defaultu, i korak po korak. Najpopularniji način smatra se unatrag: LR. Koristeći gumb Odaberi, ne možete uključiti u proučavanju svih ispitanika, a samo određene ciljne kategorije.

Definirajte kategoričke varijable

Kategoričan gumb za korištenje u slučaju kada je jedna od varijabli je ocijenjeno na broj kategorija više od 2. U ovoj situaciji, definirati kategoričke varijable prozor u Kategorične kovarijable stanice smještene upravo takva mogućnost. U ovom primjeru, kao varijabla nedostaje. Nakon tog padajućeg popisa odaberite Contrast odstupanje stavku i kliknite gumb Promijeni. Kao rezultat toga, neke od zavisne varijable će biti generiran iz svake od nazivnog faktora. Njihov broj odgovara broju dogovorenim uvjetima kategorijama.

Spremite nove varijable

Koristite gumb Spremi u glavnom istraživanju je postavljen za stvaranje dijaloški okvir nove postavke. Oni će sadržavati brojeve izračunate u procesu regresije. Konkretno, to je moguće stvoriti varijabli koje određuju:

1. Pripadnosti određenoj kategoriji klasifikacije (Groupmembership).
2. Vjerojatnost razvrstavanja ispitanika u svakoj skupini (vjerojatnosti).

Kada koristite Opcije gumb istraživač ne prima nikakve značajne mogućnosti. Prema tome, može se ignorirati. Nakon pritiska na gumb „OK” u glavnom prozoru prikazat će se rezultat analize.

Kontrola kvalitete logističke regresije adekvatnosti

Razmislite o stol Omnibus Testsof Model koeficijenti. Ona prikazuje rezultate analize kvalitete aproksimacije modela. S obzirom na činjenicu da je inkrementalni opciju, morate gledati rezultate posljednjoj fazi (Korak 2) je postavljen. Smatrat će se pozitivan rezultat, u kojoj je otkriven porast Hi-kvadrat indeks u prijelazu na sljedeći korak u visokom stupnju važnosti (SIG. <0,05). Kvaliteta modela procjenjuje se na modelu linije. Ako ste dobili negativnu vrijednost, ali to se ne smatra značajnim ako je ukupna visoka značajnost modela, posljednji se može smatrati praktički korisna.

stolovi

Model Sažetak omogućuje procjenu ukupnog indeksa disperzija, koja opisuje konstruiran modela (slika R Square). Preporučuje se primijeniti vrijednosti Nagelker. Pozitivan pokazatelj može smatrati kao parametar R Square Nagelkerke, ako je veći od 0,50. Nakon toga ocjenjuje rezultate klasifikacije u kojem su stvarni pokazatelji pripadaju jednoj ili drugoj kategoriji studije u usporedbi s onima koji su predvidjeli regresijski model. U tu svrhu u tablici Klasifikacija tablici. Također vam omogućuje da izvući zaključke o ispravnosti diferencijacije za svaku skupinu u pitanju. . Sljedeća tablica omogućuje da se naći statistički značajne neovisne čimbenike ušli u analizu, kao i ne-standardizirani faktora logističke regresije. Na temelju tih pokazatelja može predvidjeti pripadnost svakog tuženika u uzorku na određenu skupinu. Novi varijable mogu biti uneseni na gumb Spremi. Oni će sadržavati podatke o pripadnosti određenoj kategoriji klasifikacije (Predictedcategory) i vjerojatnost uključivanja u tim skupinama (Predviđeni vjerojatnosti članstva). Nakon pritiska na gumb „OK” u glavnom prozoru će se pojaviti multinomijalni logističke regresije izračun rezultata.

Prva tablica koja sadrži važne pokazatelje za istraživača, - Model za ugradnju informacije. Visoka razina statističke značajnosti će ukazati na visoku kvalitetu i prikladnost korištenja modela za rješavanje praktičnih problema. Drugi važan stol je Pseudo R-kvadrat. To vam omogućuje da procijeniti udio ukupne varijance u zavisnoj faktor, što je uzrokovano od strane nezavisne varijable odabrane za analizu. Prema tablici vjerojatnost Ratio Testovi se mogu izvući zaključci o statističkoj značajnosti potonje. Procjene parametara odražavaju nisu standardizirani koeficijenti. Oni se koriste u izgradnji jednadžbe. Osim toga, za svaku kombinaciju varijabli određuje statističke značajnosti njihovog utjecaja na zavisnu faktor. U međuvremenu, istraživanje tržišta često je potrebno razlikovati kategorije ispitanika ne odvojeno, već kao dio ciljne skupine. U tu svrhu u tablici Observedand Predviđeni frekvencija.

praktična primjena

Smatra metoda analize je naširoko koristi u radu trgovaca. Godine 1991., indikator sigmoidna logistička regresija je razvijen. On je jednostavan za korištenje i učinkovit alat koji se može koristiti za predviđanje vjerojatno cijene za njihove „pregrijavanja”. Indikator prikazan na grafikonu u obliku kanala formirana dva reda pružaju paralelno. Oni uklanjaju na jednakoj udaljenosti od trenda. Širina koridora ovisit će isključivo o vremenskom okviru. Indikator se koristi kada se radi s gotovo svim imovine - od valutnih parova u plemenite metale.

U praksi, to stvara 2 ključne strategije za korištenje instrumenata: slom i preokret. U potonjem slučaju trgovac će se fokusirati na dinamiku promjene cijena u kanalu. Na je vjerojatnost da pokret počinje u suprotnom smjeru kao što pristupi trošak podrške ili otpora stopom linije. Ako je cijena usko stane na gornjoj granici, onda imovina može biti eliminiran. Ako je na donjoj granici, trebali razmisliti o kupnji. kvar Strategija uključuje korištenje naloga. Oni su instalirani izvan granica relativno male udaljenosti. Uzimajući u obzir da im je cijena u nekim slučajevima krše za kratko vrijeme, te bi trebao igrati na sigurno i postaviti stop-loss. U isto vrijeme, naravno, bez obzira na odabrane strategije zahtijeva trgovac kako bi se povećala hladno uočiti i procijeniti situaciju koja je nastala na tržištu.

zaključak

Dakle, korištenje logističke regresije vam omogućuje da brzo i jednostavno kategorizirati ispitanika u kategorije u skladu s navedenim parametrima. Pri analizi moguće korištenje određeni način. Konkretno, raznovrsnost različitih multinomnim regresije. Međutim, stručnjaci preporučuju korištenje svih gore opisanih metoda u kompleksu. To je zbog činjenice da je u ovom slučaju je kvaliteta modela će biti znatno veći. To je, pak, proširiti raspon njegove primjene.