Logistische regressie: modellen en methoden

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Logistische regressie en discriminantanalyse worden gebruikt wanneer het noodzakelijk is om een duidelijk onderscheid respondenten gerichte categorieën. Bovendien zijn deze groepen een univariate parameterniveaus. а также выясним, для чего она нужна. Overweeg nader logistische regressie model, evenals erachter te komen wat het was.

Overzicht

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Een voorbeeld van het probleem in de oplossing die wordt gebruikt logistische regressie, kan een indeling van respondenten per groep kopen en niet kopen van de mosterd zijn. De differentiatie volgens sociodemografische kenmerken uitgevoerd. Deze omvatten, in het bijzonder, zijn: leeftijd, geslacht, aantal gezinsleden, inkomen en ga zo maar door. Er zijn criteria te differentiëren en de variabele in de operatie. De laatste codeert voor het doel voor welke categorie, in feite, moeten de respondenten te verdelen.

nuances

, значительно уже, чем для дискриминантного анализа. Het moet gezegd worden dat het bereik van de gevallen waarin de toegepaste logistieke regressie, veel smaller dan de discriminerende analyse. Hierbij wordt gebruik van laatstgenoemde als een universele werkwijze voor differentiatie beschouwd voorkeur. Bovendien, deskundigen adviseren om te beginnen met een classificatie studie discriminerende analyse. En voor het geval van onzekerheid voor de resultaten kunnen worden gebruikt logistische regressie. Deze noodzaak wordt veroorzaakt door verscheidene factoren. используется при наличии четкого представления о типе независимых и зависимых переменных. Logistische regressie wordt gebruikt wanneer er een duidelijk idee over de aard van de onafhankelijke en afhankelijke variabelen. Dienovereenkomstig, de geselecteerde van de 3 mogelijke procedures. Als de discriminant analyse, de onderzoeker is altijd te maken met een statisch bedrijf. Het betrokken afhankelijke en een aantal onafhankelijke categorische variabelen de omvang van elke soort.

types

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Doelstelling statistisch onderzoek, dat een logistische regressie gebruikt, is de kans dat een bepaalde respondent aan een bepaalde groep zal worden toegewezen bepalen. Differentiatie volgens bepaalde parameters uitgevoerd. In de praktijk volgens de waarden van één of meer onafhankelijke factoren kunnen worden ingedeeld in twee groepen respondenten. . In dit geval is er een binaire logistische regressie. Ook aangegeven parameters kunnen worden gebruikt bij de toewijzing van de groep groter is dan twee. In zo'n situatie is er een multinomiale logistische regressie. De resulterende groep expressie niveaus volgens één variabele.

voorbeeld

Stel dat er antwoorden van de respondenten op de vraag of ze geïnteresseerd zijn in een aanbod om grond te verwerven in de buitenwijken van Moskou. In dit geval zijn de opties "nee" en "ja". We moeten om erachter te komen welke factoren hebben een overheersende invloed op de beslissing van de potentiële kopers. Voor deze respondent vragen worden gesteld over de infrastructuur van het gebied, de afstand tot de hoofdstad, oppervlakte, de aanwezigheid / afwezigheid van residentiële gebouwen en ga zo maar door. Met behulp van binaire regressie, kunnen worden verdeeld in twee groepen respondenten. De eerste zal degenen die geïnteresseerd zijn in de aankoop - potentiële kopers, en de tweede, respectievelijk, degenen die niet geïnteresseerd zijn in een dergelijk aanbod. Voor elke respondent, in aanvulling, het zal worden berekend de kans op toewijzing aan één of andere categorie.

vergelijkende kenmerken

In tegenstelling tot de twee uitvoeringsvormen die hierboven bestaat uit een verschillend aantal en soort groepen onafhankelijke en afhankelijke variabele. In een binair regressie, bijvoorbeeld, bestudeerde de afhankelijkheid dichotomische factor van één of meer onafhankelijke omstandigheden. In dit geval kan de laatste van elke soort schaal. Multinomiale regressie wordt beschouwd als een soort versie van de classificatie. Het betreft de afhankelijke variabele meer dan 2 groepen. Onafhankelijke factoren moeten ofwel een ordinale of nominale schaal te hebben.

Logistische regressie in SPSS

De statistische pakket 11-12, introduceert een nieuwe versie van de analyse - volgorde. Deze methode wordt gebruikt als afhankelijke factor om dezelfde naam (ordinale) schaal. In dit geval is gekozen voor de onafhankelijke variabelen een bepaald type. Zij moeten ofwel ordinaal of nominaal zijn. Indeling in verschillende categorieën wordt beschouwd als de meest veelzijdige. Deze methode kan worden gebruikt in alle studies die logistische regressie toegepast. , однако, можно только с помощью всех трех приемов. Verbeteren van de kwaliteit van het model, is echter alleen mogelijk door gebruik te maken van alle drie methoden.

ordinale classificatie

Er wordt gezegd dat eerder in het statistisch pakket niet de kans om een typische gespecialiseerde analyse voor afhankelijke factoren uit te voeren met een ordinale schaal werd verstrekt. Voor alle variabelen, met het aantal groepen van meer dan 2 gebruikt multinomiaal optie. Introduceerde voor kort sequentieanalyse heeft een aantal functies. Ze houden rekening met de specifieke kenmerken van de schaal het. часто не рассматривается как отдельный прием. Ondertussen, in de methodologische handleidingen ordinale logistische regressie wordt vaak niet behandeld als een aparte ontvangstruimte. De reden hiervoor is als volgt: serial analyse geen significante voordelen ten opzichte van multinomiaal. De onderzoeker kan ook gebruik daarvan in de aanwezigheid en ordinale en nominale afhankelijke variabele. Daarbij is de indeling proces zijn bijna niet te onderscheiden van elkaar. Dit betekent dat het bedrijf orde analyse geen problemen zal veroorzaken.

analyse van de opties

Beschouw het eenvoudige geval - een binair regressie. Bijvoorbeeld, in het proces van marktonderzoek geraamde vraag naar afgestudeerden van de Londense universiteit. In de vragenlijst werd de respondenten gevraagd vragen, zoals:

1. Werkt u? (Ql).
2. Geef jaar afstuderen (q 21).
3. Wat is de gemiddelde score van de uitlaat (gem).
4. Gender (Q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Logistische regressie wordt de impact van onafhankelijke factoren aver, q en q 21 22 variabele ql. Simpel gezegd, het doel van de analyse is om de waarschijnlijke tewerkstelling van afgestudeerden te bepalen aan de hand van de informatie op het veld, het einde van het jaar, en de gemiddelde score.

logistische regressie

Om parameters met binair regressie, gebruikt Analyze►Regression►Binary Logistic menu. In de logistische regressie te kiezen in de linker lijst met beschikbare variabelen afhankelijk factor. Ze is ql. Deze variabele moet de afhankelijke veld worden geplaatst. Daarna moet u de site Covariates voeren onafhankelijke factoren - q 21, q 22, gem. Dan moet je een manier om ze op te nemen in de analyse te kiezen. Als het aantal onafhankelijke factoren van meer dan 2, niet de wijze van gelijktijdige toediening van alle variabelen die standaard wordt geïnstalleerd, en stap voor stap gebruikt. De meest populaire manier wordt beschouwd Backward: LR. Met de toets selecteert, kunt u niet opnemen in de studie van alle respondenten, en slechts een specifieke categorie doelwit.

Definieer categorische variabelen

Categorische knop om te gebruiken in het geval wanneer een van de variabelen wordt beoordeeld op het aantal categorieën van meer dan 2. In deze situatie, definiëren categorische variabelen raam in de Categorical Covariates station gelegen op slechts een dergelijke optie. In dit voorbeeld wordt een dergelijke variabele ontbreekt. Daarna is de drop-down lijst, selecteert u het item Contrast Deviation en klik op de knop Wijzigen. Als gevolg daarvan zal een deel van de afhankelijke variabelen worden gegenereerd uit elk van de nominale factor. Hun aantal komt overeen met het nummer van de oorspronkelijke voorwaarden van de categorieën.

Sla nieuwe variabelen

Gebruik de knop Opslaan in het hoofdonderzoek is ingesteld om nieuwe instellingen dialoogvenster te creëren. Zij zullen berekend volgens het proces van regressie bevatten. In het bijzonder is het mogelijk om variabelen die bepalen maken:

1. Die behoren tot een bepaalde categorie van classificatie (Groupmembership).
2. De kans classificeren respondenten in elke onderzoeksgroep (Probabilities).

Bij gebruik van de knop Opties onderzoeker geen significante mogelijkheden te ontvangen. Bijgevolg kan worden genegeerd. Na het indrukken van de knop "OK" in het hoofdvenster verschijnt analyseresultaten.

Kwaliteitscontrole van logistische regressie toereikendheid

Denk aan de tafel Omnibus Testsof modelcoefficienten. Het toont de resultaten van de analyse van de kwaliteit van de onderlinge model. Vanwege het feit dat de incrementele optie, moet u de resultaten van de laatste etappe te kijken (Stap 2) is ingesteld. Zou worden beschouwd als een positief resultaat, waarin de gedetecteerde toename Chi-kwadraat-index voor de overgang naar de volgende stap naar een hoge mate van betekenis (Sig. <0,05). De kwaliteit van het model wordt geschat Model lijn. Als je een negatieve waarde, maar het is niet als significant beschouwd als de algemene hoge materialiteit model, de laatste kan worden praktisch bruikbare beschouwd.

tafels

Samenvatting model verschaft een schatting van de totale dispersie-index, die de geconstrueerde model (figuur R Vierkante) beschrijft. Het wordt aanbevolen om de waarde Nagelker toe te passen. Positieve indicator kan worden beschouwd als een parameter Nagelkerke R Square, als deze hoger is dan 0,50. Na dat de resultaten van de indeling waarin de feitelijke indicatoren van het behoren tot een of andere categorie van het onderzoek worden vergeleken met die voorspeld door het regressiemodel geëvalueerd. Hiertoe tafel classificatietabel. Ook kunt u om conclusies te trekken over de juistheid van differentiatie voor elk van de groep in kwestie. . De onderstaande tabel is het mogelijk statistisch significante onafhankelijke factoren in de analyse als een niet-genormaliseerde factor logistische regressie opvragen. Op basis van deze indicatoren kan affiliatie van elke respondent in het monster te voorspellen van een specifieke groep. Nieuwe variabelen kunnen worden ingevoerd met behulp van de knop Opslaan. Zij zullen informatie over het lidmaatschap van een bepaalde indeling categorie (Predictedcategory) en de kans op opname in deze groepen (Voorspelde waarschijnlijkheden lidmaatschap) bevatten. Na het indrukken van de knop "OK" in het hoofdvenster verschijnt Multinomiale logistische regressie rekenresultaten.

De eerste tabel, die belangrijke indicatoren bevat voor de onderzoeker, - Model Fitting Information. Een hoog niveau van statistische significantie zal wijzen op de hoge kwaliteit en de geschiktheid van het gebruik van modellen om praktische problemen op te lossen. Een ander belangrijk tafel is de pseudo-R-Square. Het staat u toe om het aandeel van de totale variantie te schatten in de afhankelijke factor, die wordt veroorzaakt door de onafhankelijke variabelen geselecteerd voor analyse. Volgens tabel Waarschijnlijkheid Ratio Tests kunnen conclusies over de statistische significantie van de laatste trekken. De Parameter Schattingen weerspiegelen niet-gestandaardiseerde coëfficiënten. Ze worden gebruikt bij de constructie van de vergelijking. Bovendien, voor elke combinatie van variabelen bepaald de statistische significantie van het effect op de afhankelijke factor. Intussen is de markt onderzoek is vaak nodig om de categorieën respondenten niet los van elkaar te onderscheiden, maar als onderdeel van de doelgroep. Voor dit doel de tafel Observedand Voorspelde frequenties.

praktische toepassing

Beschouwd analysemethode wordt veel gebruikt in het werk van handelaren. In 1991 werd de sigmoid logistische regressie indicator ontwikkeld. Hij is een makkelijk te gebruiken en efficiënt instrument dat kan worden gebruikt om de waarschijnlijke prijzen te voorspellen om hun "oververhitting". Indicator weergegeven in een grafiek in de vorm van een kanaal gevormd door twee lijnen die zich parallel. Ze verwijderden een gelijke afstand van de trend. De breedte van de strook uitsluitend zal afhangen van de periode. De indicator wordt bij het werken met bijna alle actief - van valutaparen edelmetalen.

In de praktijk heeft zij 2 belangrijkste strategieën voor het gebruik van het instrument: afbraak en een omkering. In het laatste geval zal de handelaar zich richten op de dynamiek van de prijsveranderingen in het kanaal. Aan is de waarschijnlijkheid dat de beweging begint in de omgekeerde richting bij het naderen van de kosten van een steun of weerstand lijnsnelheid. Als de prijs is nauw fit aan de bovengrens, dan is het actief kan worden geëlimineerd. Als het op de ondergrens, moet je nadenken over de aanschaf. Strategie uitsplitsing omvat het gebruik van warrants. Ze zijn buiten de grenzen van de relatief korte afstand geïnstalleerd. Rekening houdend dat de prijs in sommige gevallen in strijd met hen voor een korte tijd, moet u het zekere voor het onzekere en zet de stop-loss. Op hetzelfde moment, uiteraard, ongeacht de gekozen strategie vereist de handelaar om koel te maximaliseren waar te nemen en te beoordelen de situatie die is ontstaan in de markt.

conclusie

Zo is het gebruik van logistische regressie kunt u respondenten snel en gemakkelijk categoriseren in categorieën in overeenstemming met de opgegeven parameters. Bij het analyseren van het mogelijke gebruik van een bepaalde manier. Vooral de veelzijdigheid van verschillende multinomiale regressie. Maar deskundigen raden het gebruik van de hierboven beschreven in de complexe methoden. Dit is te wijten aan het feit dat in dit geval de kwaliteit van het model zal aanzienlijk hoger zijn. Dit, op zijn beurt, breiden het bereik van de toepassing ervan.