رگرسیون لجستیک طبقه ای از رگرسیون است که در آن از متغیر مستقل برای پیش بینی متغیر وابسته استفاده می شود. هنگامی که متغیر وابسته دو دسته دارد ، آنگاه یک رگرسیون لجستیک باینری است. هنگامی که متغیر وابسته بیش از دو دسته دارد ، آنگاه یک رگرسیون لجستیک چندمجمی است. هنگامی که دسته متغیر وابسته قرار می گیرد ، یک رگرسیون لجستیک ترتیب (OLS) است. برای به دست آوردن برآورد حداکثر احتمال ، متغیر وابسته را در عملکرد ورود به سیستم تغییر دهید. Logit اساساً یک سیاهه طبیعی از متغیر وابسته است و می گوید که آیا این رویداد رخ خواهد داد یا خیر. رگرسیون لجستیک معمولی رابطه خطی بین متغیر وابسته و مستقل فرض نمی کند. این همجنسگرایان را فرض نمی کند. آمار والد اهمیت متغیر مستقل فردی را آزمایش می کند.
فرضیات: این آزمایش محبوب است زیرا می تواند بسیاری از فرضیات محدود کننده رگرسیون OLS را بر طرف کند.
- در رگرسیون OLS ، یک رابطه خطی بین متغیر وابسته و مستقل ضروری است ، اما در رگرسیون لجستیک ، چنین مواردی را فرض نمی کند. رابطه بین متغیر وابسته و مستقل ممکن است خطی یا غیر خطی باشد.
- OLS فرض می کند که توزیع باید به طور عادی توزیع شود ، اما در رگرسیون لجستیک ، توزیع ممکن است طبیعی ، پواسون یا دوتایی باشد.
- OLS فرض می کند که بین همه متغیرهای مستقل واریانس مساوی وجود دارد ، اما لجستیک معمولی فرض نمی کند که بین متغیرهای مستقل واریانس مساوی وجود دارد.
- واریانس اصطلاح خطای عادی توزیع شده را فرض نمی کند.
کشف کنید که چگونه ما به ویرایش فصل های پایان نامه خود کمک می کنیم
تراز چارچوب نظری ، جمع آوری مقالات ، ترکیب شکافها ، بیان یک روش روش شناسی و برنامه داده روشن ، و نوشتن در مورد پیامدهای نظری و عملی تحقیق شما بخشی از خدمات جامع ویرایش پایان نامه ما است.
- تخصص ویرایش پایان نامه را به موقع به فصل های 1-5 بیاورید.
- همه تغییرات را پیگیری کنید ، سپس با شما همکاری کنید تا نوشتن علمی را به وجود آورید.
- پشتیبانی مداوم برای پرداختن به بازخورد کمیته ، کاهش تجدید نظر.
با این وجود ، نقض این فرضیات OLS در رگرسیون لجستیک موارد زیر را فرض می کند:
- سطح داده ها: متغیر وابسته باید برای رگرسیون باینری از نظر طبیعت دوگانگی باشد.
- اصطلاح خطا: اصطلاح خطا به طور مستقل فرض می شود.
- خطی: رابطه خطی را فرض نمی کند ، بلکه بین نسبت عجیب و غریب و متغیر مستقل ، باید یک رابطه خطی وجود داشته باشد.
- هیچ خارج از کشور: فرض کنید که نباید در داده ها مسافتی وجود داشته باشد.
- نمونه بزرگ: از روش حداکثر احتمال استفاده می کند ، بنابراین اندازه نمونه بزرگ برای رگرسیون لجستیک مورد نیاز است.
اصطلاحات و مفاهیم کلیدی:
- متغیر وابسته: از نظر طبیعت دوگانگی ، برای متغیرهای وابسته به رگرسیون باینری در دو دسته قرار دارند. معمولاً با در نظر گرفتن دسته مرجع پایین (فرض شده به عنوان 0) ، دسته بالاتر (فرض شده به عنوان 1) را پیش بینی می کنیم. در رگرسیون لجستیک چندمجمی ، متغیر وابسته بیش از دو دسته دارد. ما می توانیم دسته دیگر را بر اساس گروه مرجع پیش بینی کنیم. در رگرسیون لجستیک معمولی ، احتمال تجمعی ترتیب متغیر وابسته را پیش بینی می کنیم.
- فاکتور: متغیر مستقل از نظر طبیعت دوگانگی است و عامل آن نامیده می شود. معمولاً آنها را به یک متغیر ساختگی تبدیل می کنیم.
- متغیر: متغیر مستقل که از نظر طبیعت متریک است ، متغیرهای متغیر نامیده می شود.
- اصطلاح تعامل: متغیرهای متغیر تأثیر فردی را بر متغیر وابسته نشان می دهد. اثر متقابل ترکیبی از دو اثر متغیر بر متغیر وابسته است. به عنوان مثال ، هنگامی که متغیر وابسته را بر اساس گروه سن و تحصیلات پیش بینی می کنیم ، دو تأثیر خواهد داشت: یکی تأثیر فردی بر متغیر وابسته و دیگری تأثیر تعامل است.
- حداکثر برآورد احتمال: از این روش برای پیش بینی نسبت عجیب و غریب برای متغیر وابسته استفاده می شود. در برآورد OLS ، ما مقدار خطای فاصله مربع را به حداقل می رسانیم ، اما در برآورد حداکثر احتمال ، احتمال ورود به سیستم را به حداکثر می رسانیم.
- SPSS و SAS: در SPSS ، این آزمون در گزینه رگرسیون موجود است و در SAS می توانیم با استفاده از "Command Proc Logistic" یا "Proc Catmod" از این روش استفاده کنیم.
- آزمون اهمیت: از آزمون مجذور Hosmer و Lemeshow برای آزمایش مدل کلی آزمون خوب بودن استفاده می شود. این تست مجذور کای اصلاح شده است که بهتر از تست سنتی کای مربع است. مقدار p قابل توجه مدل خوب بودن را نشان می دهد. جدول تست های Omnibus در خروجی SPSS مقدار سنتی کای و هومر و لیمشو را نشان می دهد. آزمون تست مجذور Pearson chi-square و نسبت احتمالاً در رگرسیون لجستیک چندمجمی برای برآورد مدل خوب بودن مدل استفاده می شود.
- گام به گام: سه روش موجود وارد ، عقب و رو به جلو است. در روش enter ، تمام متغیرها شامل می شوند ، چه قابل توجه و چه ناچیز. در روش عقب ، شروع به رها کردن متغیرهای غیر مهم از لیست می کند. در روش رو به جلو ، ضمن رها کردن متغیرهای غیر مهم ، به جلو حرکت می کند.
- برآورد پارامتر و ورود به سیستم: در خروجی آماری SPSS ، "برآورد پارامتر" ضریب B است که برای پیش بینی شانس ورود به سیستم (ورود) متغیر وابسته استفاده می شود. بگذارید z برای یک متغیر وابسته باشد ، سپس معادله پیش بینی لجستیک:
z = ln (شانس (رویداد)) = ln (prob (رویداد)/prob (nonevent)) = ln (prob (رویداد)/) = b0 + b1x1 + b2x2 +… .. + bkxk
جایی که B0 ثابت است و K متغیرهای مستقل (X) است. در رگرسیون لجستیک معمولی ، ضریب آستانه برای هر ترتیب متغیرهای وابسته متفاوت خواهد بود. ضریب احتمال تجمعی هر ترتیب متغیرهای وابسته را به شما می دهد.
- نسبت عجیب و غریب: بتا نمایی نسبت عجیب متغیر وابسته را نشان می دهد. ما می توانیم احتمال متغیر وابسته را از این نسبت عجیب و غریب پیدا کنیم. هنگامی که مقدار بتا نمایی بیشتر از یک باشد ، از احتمال افزایش مقوله بالاتر ، و اگر احتمال بتا نمایی کمتر از یک باشد ، احتمال اینکه طبقه بالاتر کاهش یابد. مقدار بتا نمایی با دسته مرجع تفسیر می شود ، جایی که احتمال متغیر وابسته افزایش یا کاهش می یابد. در متغیرهای مداوم ، با افزایش یک واحد در متغیر مستقل ، مربوط به افزایش یا کاهش واحدهای متغیر وابسته ، تفسیر می شود.
- اقدامات اندازه اثر: R 2 بیشتر پذیرفته نمی شود زیرا R 2 استخراج واریانس توسط متغیر مستقل را به ما می گوید ، اما در اینجا ، واریانس به دو دسته تقسیم می شود. R 2 Cox و Snell ، R 2 Nagelkerke ، R 2 McFadden و Pseudo-R 2 اکنون قابل تحقق تر از R 2 ساده هستند.
- جدول طبقه بندی: جدول طبقه بندی نشان می دهد که چگونه این دو دسته به درستی پیش بینی شده اند. به عنوان مثال ، از دو دسته ، فقط 85 ٪ به درستی پیش بینی شده بودند ، این در جدول طبقه بندی نشان داده شده است.
منابع
آلیسون ، P. D. (1999). مقایسه ضرایب ورود و پروبیت در گروه ها. روش ها و تحقیقات جامعه شناختی ، 28 (2) ، 186-208.
Demaris ، A. (1992). مدل سازی logit: برنامه های کاربردی. Newbury Park ، CA: انتشارات SAGE.
گرینلند ، S. ، شوارتزباوم ، J. A. ، و Finkle ، W. D. (2000). مشکلات به دلیل نمونه های کوچک و داده های پراکنده در تجزیه و تحلیل رگرسیون لجستیک مشروط. مجله آمریکایی اپیدمیولوژی ، 151 (5) ، 531-539.
Hosmer ، D. W. ، & Lemeshow ، S. (2000). رگرسیون لجستیک کاربردی (ویرایش دوم). نیویورک: جان ویلی و پسران.
Jaccard ، J. (2001). اثرات متقابل در رگرسیون لجستیک. هزار اوکس ، کالیفرنیا: انتشارات مریم گلی.
Kleinbaum ، D. G. ، Klein ، M. ، & Pryor ، E. R. (2004). رگرسیون لجستیک: یک متن خودآموز (ویرایش دوم). نیویورک: اسپرینگر.
مک فادن ، د. (1974). تجزیه و تحلیل ورود مشروط از رفتار انتخاب کیفی. در P. Zarembka (ویرایش) ، مرزهای اقتصاد سنجی (صص 105-142). نیویورک: انتشارات دانشگاهی.
منارد ، س. (2002). تجزیه و تحلیل رگرسیون لجستیک کاربردی (ویرایش دوم). هزار اوکس ، کالیفرنیا: انتشارات مریم گلی.
O'Connell ، A. A. (2005). مدل های رگرسیون لجستیک برای متغیرهای پاسخ معمولی. هزار اوکس ، کالیفرنیا: انتشارات مریم گلی.
Pedhazur ، E. J. (1982). رگرسیون چندگانه در تحقیقات رفتاری. نیویورک: هولت ، راینهارت و وینستون.
پنگ ، C. -Y. J. ، Lee ، K. L. ، & Ingersoll ، G. M. (2002). مقدمه ای برای تجزیه و تحلیل و گزارش رگرسیون لجستیک. مجله تحقیقات آموزشی ، 96 (1) ، 3-14.
Press ، S. J. ، & Wilson ، S. (1978). انتخاب بین رگرسیون لجستیک و تجزیه و تحلیل تبعیض آمیز. مجله انجمن آماری آمریکا ، 73 (364) ، 699-705.
صفحات مرتبط:
- انجام و تفسیر رگرسیون لجستیک
- رگرسیون لجستیک چیست؟
- تجزیه و تحلیل رگرسیون لجستیک در SPSS
منصة التداول الأكثر ثقة...
ما را در سایت منصة التداول الأكثر ثقة دنبال می کنید
برچسب : نویسنده : احمد نجفی بازدید : 36 تاريخ : يکشنبه 12 شهريور 1402 ساعت: 22:28