Logistik regresi: model dan metode

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. regresi logistik dan analisis diskriminan digunakan bila diperlukan untuk membedakan dengan jelas responden kategori yang ditargetkan. Selain itu, kelompok-kelompok ini adalah tingkat parameter univariat tunggal. а также выясним, для чего она нужна. Pertimbangkan lebih detail model regresi logistik, serta mencari tahu apa itu untuk.

Ikhtisar

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Sebuah contoh dari masalah, dalam larutan yang digunakan regresi logistik, mungkin klasifikasi responden dengan kelompok membeli dan tidak membeli mustard. diferensiasi yang dilakukan sesuai dengan karakteristik sosio-demografis. Ini termasuk, khususnya, termasuk usia, jenis kelamin, jumlah anggota keluarga, pendapatan dan sebagainya. Ada kriteria untuk membedakan dan variabel dalam operasi. Yang terakhir mengkodekan kategori target yang, pada kenyataannya, perlu membagi responden.

nuansa

, значительно уже, чем для дискриминантного анализа. Harus dikatakan bahwa berbagai kasus di mana logistik regresi diterapkan, jauh lebih sempit dari analisis diskriminan. Dalam hal ini, penggunaan yang terakhir sebagai metode universal untuk diferensiasi dianggap lebih disukai. Selain itu, para ahli sarankan mulai dengan analisis diskriminatif studi klasifikasi. Dan hanya dalam kasus ketidakpastian untuk hasil dapat digunakan regresi logistik. Kebutuhan ini disebabkan oleh beberapa faktor. используется при наличии четкого представления о типе независимых и зависимых переменных. regresi logistik digunakan ketika ada gagasan yang jelas tentang jenis variabel independen dan dependen. Dengan demikian, memilih satu dari 3 prosedur mungkin. Ketika analisis diskriminan, peneliti selalu berurusan dengan operasi statis. Ini melibatkan satu variabel kategori dependen dan beberapa independen dengan skala jenis apa pun.

jenis

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. penelitian statistik objektif, yang menggunakan regresi logistik, adalah untuk menentukan kemungkinan bahwa responden tertentu akan ditugaskan untuk kelompok tertentu. Diferensiasi dilakukan sesuai dengan parameter tertentu. Dalam prakteknya, menurut nilai-nilai dari satu atau lebih independen faktor dapat diklasifikasikan menjadi dua kelompok responden. . Dalam hal ini, ada regresi logistik biner. Juga parameter yang ditentukan dapat digunakan dalam alokasi untuk kelompok lebih besar dari dua. Dalam situasi seperti ini ada regresi logistik multinomial. Kelompok yang dihasilkan menyatakan tingkat variabel satu.

contoh

Misalkan ada jawaban responden terhadap pertanyaan apakah mereka tertarik penawaran untuk mengakuisisi lahan di pinggiran kota Moskow. Dalam hal ini, pilihannya adalah "tidak" dan "ya." Kita perlu mencari tahu apa faktor memiliki pengaruh dominan terhadap keputusan pembeli potensial. Untuk responden ini pertanyaan ditanya tentang infrastruktur wilayah, jarak ke ibukota, luas lahan, ada / tidaknya bangunan perumahan dan sebagainya. Dengan menggunakan regresi binary, dapat didistribusikan dalam dua kelompok responden. Yang pertama akan mencakup mereka yang tertarik untuk membeli - pembeli potensial, dan yang kedua, masing-masing, mereka yang tidak tertarik pada tawaran seperti itu. Untuk masing-masing responden, di samping itu, akan dihitung probabilitas tugas untuk satu kategori atau yang lain.

karakteristik komparatif

Berbeda dengan dua perwujudan atas terdiri di nomor yang berbeda dan jenis kelompok dependen dan variabel independen. Dalam regresi binary, misalnya, mempelajari ketergantungan faktor dikotomis dari satu atau lebih mandiri kondisi. Dalam hal ini, yang terakhir mungkin dari setiap jenis skala. regresi multinomial dianggap semacam versi klasifikasi. Hal ini terkait dengan variabel dependen selama lebih dari 2 kelompok. Faktor-faktor independen harus memiliki baik ordinal atau skala nominal.

Regresi logistik di spss

Paket 11-12 statistik, memperkenalkan versi baru dari analisis - urut. Metode ini digunakan ketika faktor tergantung berkaitan dengan nama (ordinal) skala yang sama. Dalam hal ini variabel independen memilih satu jenis tertentu. Mereka harus baik ordinal atau nominal. Klasifikasi dalam beberapa kategori dianggap paling serbaguna. Metode ini dapat digunakan dalam semua studi yang digunakan regresi logistik. , однако, можно только с помощью всех трех приемов. Meningkatkan kualitas model, bagaimanapun, adalah mungkin hanya dengan menggunakan tiga metode.

klasifikasi ordinal

Dikatakan bahwa sebelumnya dalam paket statistik tidak disediakan kesempatan untuk melakukan analisis khusus khas untuk faktor tergantung dengan skala ordinal. Untuk semua variabel, dengan jumlah kelompok lebih dari 2 digunakan pilihan multinomial. Diperkenalkan relatif baru-baru analisis urutan memiliki sejumlah fitur. Mereka memperhitungkan spesifik dari skala itu. часто не рассматривается как отдельный прием. Sementara itu, dalam manual metodologi regresi logistik ordinal sering tidak diperlakukan sebagai penerimaan yang terpisah. Alasannya adalah sebagai berikut: analisis seri tidak memiliki keuntungan signifikan atas multinomial. Peneliti juga dapat menggunakan yang terakhir di hadapan dan ordinal, dan variabel dependen nominal. Dengan demikian, proses klasifikasi yang hampir tidak bisa dibedakan dari satu sama lain. Ini berarti bahwa analisis agar holding tidak akan menimbulkan masalah.

analisis pilihan

Pertimbangkan kasus sederhana - regresi binary. Misalnya, dalam proses pemasaran penelitian diperkirakan permintaan untuk lulusan universitas metropolitan tertentu. Dalam kuesioner, responden diminta pertanyaan, termasuk:

1. Apakah Anda bekerja? (Q).
2. Tentukan tahun kelulusan (q 21).
3. Apa skor rata-rata outlet (aver).
4. Jenis kelamin (Q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. regresi logistik akan menilai dampak dari faktor-faktor independen Aver, q 21 dan q 22 pada variabel ql. Sederhananya, tujuan dari analisis ini adalah untuk menentukan kemungkinan kerja lulusan atas dasar informasi di lapangan, pada akhir tahun, dan skor rata-rata.

Regresi logistik

Untuk mengatur parameter menggunakan regresi binary, menggunakan menu Analyze►Regression►Binary Logistic. Dalam Regresi Logistik untuk memilih dalam daftar meninggalkan variabel yang tersedia faktor dependen. Mereka adalah ql. Variabel ini harus ditempatkan di bidang Dependent. Setelah itu, Anda harus memasukkan kovariat situs faktor independen - q 21, q 22, aver. Kemudian Anda perlu memilih cara termasuk mereka dalam analisis. Jika jumlah faktor independen lebih dari 2, tidak menggunakan metode administrasi simultan dari semua variabel, yang diinstal secara default, dan langkah demi langkah. Cara yang paling populer dianggap Backward: LR. Menggunakan tombol Select, Anda tidak dapat menyertakan dalam studi dari semua responden, dan hanya kategori target tertentu.

Mendefinisikan Variabel Kategoris

tombol kategoris untuk digunakan dalam kasus ketika salah satu variabel berperingkat ke jumlah kategori lebih dari 2. Dalam situasi ini, Tentukan jendela Variabel Kategoris di stasiun kategoris Kovariat ditempatkan tepat seperti pilihan. Dalam contoh ini, variabel seperti hilang. Setelah daftar itu drop-down, pilih item Kontras Deviasi dan klik tombol Change. Akibatnya, beberapa variabel dependen akan dihasilkan dari masing-masing faktor dinilai. Jumlah mereka sesuai dengan jumlah persyaratan asli dari kategori.

Simpan Variabel Baru

Gunakan tombol Save dalam kajian utama diatur untuk membuat kotak dialog pengaturan baru. Mereka akan berisi angka dihitung dalam proses regresi. Secara khusus, adalah mungkin untuk membuat variabel yang menentukan:

1. Milik kategori tertentu klasifikasi (Groupmembership).
2. Probabilitas mengelompokkan responden di setiap kelompok studi (Probabilitas).

Bila menggunakan tombol Options peneliti tidak menerima peluang yang signifikan. Dengan demikian, dapat diabaikan. Setelah menekan tombol "OK" di jendela utama akan ditampilkan hasil analisis.

Kontrol kualitas kecukupan regresi logistik

Pertimbangkan meja Omnibus Testsof Model Koefisien. Ini menampilkan hasil analisis kualitas model pendekatan. Karena kenyataan bahwa opsi tambahan, Anda perlu untuk menonton hasil tahap terakhir (Step2) telah ditetapkan. Akan dianggap sebagai hasil positif, di mana terdeteksi peningkatan indeks Chi-square dalam transisi ke langkah berikutnya pada tingkat tinggi signifikansi (Sig. <0,05). Kualitas model diperkirakan sejalan Model. Jika Anda mendapatkan nilai negatif, tetapi tidak dianggap signifikan jika model materialitas tinggi secara keseluruhan, yang terakhir dapat dianggap praktis digunakan.

tabel

Model Summary memberikan perkiraan total indeks dispersi, yang menggambarkan model dibangun (gambar R Square). Dianjurkan untuk menerapkan nilai Nagelker. Indikator positif dapat dianggap sebagai parameter Nagelkerke R Square, jika lebih tinggi dari 0,50. Setelah itu dievaluasi hasil klasifikasi di mana indikator yang sebenarnya milik satu atau kategori lain dari studi ini dibandingkan dengan yang diprediksikan oleh model regresi. Untuk tujuan ini Klasifikasi tabel Table. Hal ini juga memungkinkan Anda untuk menarik kesimpulan tentang kebenaran diferensiasi untuk masing-masing kelompok yang bersangkutan. . Tabel berikut memungkinkan untuk menemukan faktor-faktor independen yang signifikan secara statistik masuk ke dalam analisis serta non-standar faktor regresi logistik. Atas dasar indikator ini dapat memprediksi afiliasi dari masing-masing responden dalam sampel untuk kelompok tertentu. variabel baru dapat dimasukkan dengan menggunakan tombol Save. Mereka akan berisi informasi tentang keanggotaan kategori tertentu klasifikasi (Predictedcategory) dan probabilitas dimasukkan dalam kelompok ini (Prediksi probabilitas keanggotaan). Setelah menekan tombol "OK" di jendela utama akan muncul hasil perhitungan Multinomial Logistic Regression.

Pertama tabel, yang berisi indikator penting bagi peneliti, - Model Informasi Fitting. Tingkat tinggi signifikansi statistik akan menunjukkan kualitas tinggi dan kesesuaian penggunaan model untuk memecahkan masalah praktis. tabel lain yang penting adalah Pseudo R-Square. Hal ini memungkinkan Anda untuk memperkirakan proporsi dari total varians dalam faktor tergantung, yang disebabkan oleh variabel independen yang dipilih untuk analisis. Menurut Tabel Kemungkinan Pengujian Ratio dapat menarik kesimpulan tentang signifikansi statistik dari yang terakhir. The Estimasi Parameter mencerminkan koefisien non-standar. Mereka digunakan dalam pembangunan persamaan. Selain itu, untuk setiap kombinasi variabel ditentukan signifikansi statistik dari dampaknya terhadap faktor dependent. Sementara itu, riset pasar sering diperlukan untuk membedakan kategori responden tidak secara terpisah, tetapi sebagai bagian dari kelompok sasaran. Untuk tujuan ini tabel Observedand Frekuensi Prediksi.

aplikasi praktis

Metode dianggap analisis secara luas digunakan dalam pekerjaan pedagang. Pada tahun 1991, indikator sigmoid regresi logistik dikembangkan. Dia adalah tool yang mudah digunakan dan efisien yang dapat digunakan untuk memprediksi harga cenderung "overheating" mereka. Indikator disajikan pada grafik dalam bentuk saluran yang dibentuk oleh dua garis memanjang secara paralel. Mereka dihapus jarak yang sama dari tren. Lebar koridor akan tergantung hanya pada rentang waktu tersebut. Indikator yang digunakan ketika bekerja dengan hampir semua aset - dari pasangan mata uang ke logam mulia.

Dalam prakteknya, itu diproduksi 2 strategi utama untuk penggunaan instrumen: breakdown dan pembalikan. Dalam kasus terakhir pedagang akan fokus pada dinamika perubahan harga dalam saluran. Pada adalah kemungkinan bahwa gerakan dimulai dalam arah yang berlawanan saat mendekati biaya support atau resistance line rate. Jika harga cocok erat dengan batas atas, maka aset tersebut bisa dihilangkan. Jika pada batas bawah, Anda harus berpikir tentang pembelian. Strategi breakdown melibatkan penggunaan waran. Mereka dipasang di luar batas-batas jarak yang relatif pendek. Dengan mempertimbangkan bahwa harga dalam beberapa kasus melanggar mereka untuk waktu yang singkat, Anda harus bermain aman dan mengatur stop-loss. Pada saat yang sama, tentu saja, terlepas dari strategi yang dipilih membutuhkan trader untuk memaksimalkan dingin memandang dan menilai situasi yang timbul di pasar.

kesimpulan

Dengan demikian, penggunaan regresi logistik memungkinkan Anda dengan cepat dan mudah mengkategorikan responden dalam kategori sesuai dengan parameter yang ditentukan. Ketika menganalisis kemungkinan penggunaan cara tertentu. Secara khusus, fleksibilitas regresi multinomial yang berbeda. Namun, para ahli merekomendasikan penggunaan semua metode yang dijelaskan di atas di kompleks. Hal ini disebabkan fakta bahwa dalam hal ini kualitas model akan secara signifikan lebih tinggi. Hal ini, pada gilirannya, memperluas jangkauan penerapannya.