Loĝistika regreso: modeloj kaj metodoj

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Loĝistika regreso kaj diskriminanto analizo estas uzataj kiam necesas diferenci klare respondantoj celata kategorioj. Cetere, ĉi tiuj grupoj estas sola _univariate_ parametron niveloj. а также выясним, для чего она нужна. Konsideru pli detale logistika malprogreso modelo, kaj ankaŭ eltrovi kio estis por.

Superrigardo

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Ekzemplo de la problemo, en la solvo, kiu estas uzata logistika malprogreso, eble estas klasifiko de la enketitaj de grupo aĉetado kaj ne aĉeti la mustardo. La diferenciación estas efektivigita laŭ soci-demografiaj karakterizaĵoj. Ĉi tiuj inkluzivas precipe inkluzivas aĝon, sekso, nombro de familianoj, enspezoj kaj tiel plu. Estas kriterioj por diferenci kaj la variablo en la operacio. Tiu lasta kodas la celo kategorio por kiu, fakte, devas dividi la enketitaj.

nuancojn

, значительно уже, чем для дискриминантного анализа. Ĝi havas diri ke la gamo de kazoj en kiuj la aplikita malprogreso loĝistiko, multe pli mallarĝa ol la diskriminanto analizo. Tiurilate uzon de tiu lasta kiel universala metodo por diferencialado estas konsiderata pli preferita. Cetere, spertuloj rekomendas komencante kun klasifiko studo discriminative analizo. Kaj nur en kazo de necerteco por la rezultoj povas esti uzata logistika malprogreso. Tiu neceso estas kaŭzita de pluraj faktoroj. используется при наличии четкого представления о типе независимых и зависимых переменных. Loĝistika regreso estas uzata kiam estas klara ideo pri la speco de sendependa kaj dependa variablo. Laŭe, la selektita de la 3 eblaj proceduroj. Kiam la diskriminanto analizo, la esploristo ĉiam pritraktas statikan operacio. Ĝi implikis unu dependa kaj pluraj sendependaj kategoria variablo kun la skalo de ajna tipo.

tipoj

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Objektiva statistika esploro, kiu uzas logistika malprogreso, estas por determini la verŝajnecon ke aparta respondanto estos asignita al aparta grupo. Diferencialado estas efektivigita laŭ iuj parametroj. Praktike, laŭ la valoroj de unu aŭ pli sendependaj faktoroj povas klasifiki en du grupoj de respondantoj. . En ĉi tiu kazo, estas duumaj logistika malprogreso. Ankaŭ specifita parametroj povas esti uzataj en la atribuo al la grupo estas pli granda ol du. En tia situacio estas multinomial logistika malprogreso. La rezulta grupo esprimis niveloj de iu variablo.

ekzemple

Supozu ke estas enketitaj 'respondojn al la demando de ĉu ili interesiĝas proponon por akiri teron en la antaŭurboj de Moskvo. En ĉi tiu kazo, la elektoj estas "ne" kaj "jes". Ni devas eltrovi kio faktoroj havas superreganta influo sur la decido de potencialo aĉetantoj. Por ĉi respondanto demandoj demandis pri la infrastrukturo de la teritorio, la distanco al la ĉefurbo, kampara regiono, ĉeesto / foresto de konstruaĵoj residenciales kaj tiel plu. Uzante duumaj malprogreso, povas esti distribuita en du grupoj de respondantoj. La unua inkludos tiujn, kiuj interesiĝas pri aĉetado - potencialo aĉetantoj, kaj la dua, respektive, kiuj ne interesiĝas pri tiaj proponon. Por ĉiu respondanto, krome, ĝi estos kalkulita la probablo de atribuo al unu kategorio aŭ alia.

kompara karakterizaĵoj

Male al la du enkorpiĝoj supre konsistas en malsama nombro kaj tipo de grupoj dependaj kaj sendependaj variabloj. En binara malprogreso, ekzemple, studis la dependo dichotomous faktoro de unu aŭ pli sendependaj kondiĉoj. En ĉi tiu kazo, ĉi tiu lasta povas esti de iu ajn tipo de skalo. Multinomial malprogreso estas konsiderata ia versio de la klasifiko. Ĝi raportas al la dependa variablo dum pli ol 2 grupojn. Sendependa faktoroj devas havi ĉu ordinal aŭ nominala skalo.

Loĝistika Regreso en SPSS

La statistika pako 11-12, enkondukis novan version de la analizo - sinsekvo. Tiu metodo estas uzata kiam dependa faktoro rilatas al la sama nomo (orda) skalo. En ĉi tiu kazo la sendependaj variabloj elektitaj unu aparta tipo. Ili devas esti aŭ ordaj aŭ nominala. Klasifiko en pluraj kategorioj estas konsiderata la plej diverstalenta. Tiu metodo povas esti uzata en ĉiuj studoj kiuj uzis logistika malprogreso. , однако, можно только с помощью всех трех приемов. Plibonigi la kvaliton de la modelo, tamen, eblas nur uzante ĉiuj tri metodoj.

orda klasado

Oni diras, ke pli frue en la statistika pako ne provizis la ŝancon plenumi tipan faka analizo por dependaj faktoroj kun orda skalo. Por ĉiuj variabloj, kun la nombro da grupoj de pli ol 2 uzataj multinomial elekto. Enkondukita relative lastatempe sinsekvo analizo havas kelkajn trajtojn. Ili konsideri la specifaj detaloj de la skalo ĝi. часто не рассматривается как отдельный прием. Dume, en la metodika manlibroj ordaj logistika malprogreso estas ofte ne traktita kiel aparta akcepto. La kialo estas la jena: seria analizo ne havas signifajn avantaĝojn super multinomial. La esploristo povas bone uzi la lasta en la ĉeesto kaj orda numeralo, kaj nominalaj dependa variablo. En fari tion, la klasifiko procezo estas preskaŭ nedistingeblaj de unu la alian. Tio signifas, ke la okazigon por la analizo ne kaŭzas ajnan problemojn.

analizo de ebloj

Konsideru la simpla kazo - binara regreso. Ekzemple, en la procezo de merkatiko taksis peto diplomiĝintoj de iuj metropolaj universitato. En la demandaron, respondantoj estis demandoj, inter ili:

1. Ĉu vi laboras? (QL).
2. Indiku jaron gradeco (q 21).
3. Kio estas la duona interpunkcio de la ellasejo (aver).
4. Sekso (q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Loĝistika regreso taksos la efikon de sendependaj faktoroj aver, q 21 kaj q 22 ĉe variablo QL. Simple dirite, la celo de la analizo estas determini la verŝajna dungadon de diplomiĝintoj surbaze de informo en la kampo, la fino de la jaro, kaj la duona interpunkcio.

Loĝistika Regreso

Por agordi parametrojn per duumaj malprogreso, uzu Analyze►Regression►Binary Loĝistika menuo. En la Loĝistika Regreso elekti en la maldekstra listo de disponeblaj variabloj dependaj faktoro. Ili estas QL. Tiu variablo devas meti en la Dependa kampo. Poste, vi devas eniri la retejon Covariates sendependaj faktoroj - q 21, q 22, aver. Tiam vi devas elekti vojon inter ili en la analizo. Se la nombro da sendependaj faktoroj de pli de 2, ne uzas la metodon de samtempa administrado de ĉiuj variabloj, kiu estas instalita defaŭlte, kaj paŝon post paŝo. La plej populara formo estas konsiderata Backward: LR. Uzante la Fajna butonon, vi ne povas inkludi en la studo de ĉiuj enketitaj, kaj nur specifa celo kategorio.

Difini Kategoria Variabloj

Kategoria butono por uzi en la kazo kiam unu el la variabloj estas taksita al nombro de kategorioj de pli de 2. En ĉi tiu situacio, Difini Kategoria Variabloj fenestro en la Kategoria Covariates stacio metita ĝuste tian elekton. En ĉi tiu ekzemplo, tia ŝanĝiĝema mankas. Poste la fallisto, elektu la eron Kontrasto Devio kaj alklaku la Ŝanĝo butonon. Rezulte, iuj de la dependaj variabloj generos unu de la taksita faktoro. Ilia nombro respondas al la nombro de la originalaj kondiĉoj de la kategorioj.

Konservu Nov Variabloj

Uzu la Konservi butono en la ĉefa studo estas metita krei novajn agordojn dialogo skatolo. Ili enhavos nombroj kalkulita en la procezo de regreso. Aparte, ĝi estas ebla por krei variablojn kiuj determinas:

1. Apartenanta al aparta kategorio de klasifiko (Groupmembership).
2. La probablo de klasifiko de la enketitaj en ĉiu studo grupo (Probabloj).

Kiam uzante la opcioj butono esploristo ne ricevas neniun signifan ŝancoj. Laŭe, ĝi povas esti ignorita. Post premo de la "OK" butonon en la ĉefa fenestro aperos analizo rezultoj.

Kontrolo de kvalito de logistika malprogreso taŭgeco

Konsideru la tablo Omnibus Testsof Model Koeficientoj. Ĝi montras la rezultojn de la analizo de la kvalito de la proksimuma kalkulado modelo. Pro tio, ke la dumtajpa opcion, vi devas rigardi la rezultojn de la lasta etapo (Step2) estis metita. Estus konsiderata pozitiva rezulto, en kiu la detektita kresko Chi-kvadrata indekso en la transiro al la sekva paŝo en alta grado de signifo (Sig. <0.05). La kvalito de la modelo estas taksita en Model linio. Se vi ricevas negativan valoron, sed ĝi ne estas konsiderita kiel signifa se la entuta alta materieco modelo, la lasta povas konsideri preskaŭ uzeblaj.

tabloj

Model Resumo provizas takson de totala varianco indekso, kiu priskribas la konstruita modelo (figuro R Square). Oni rekomendas apliki la valoron Nagelker. Pozitivaj indikilo povas esti konsiderata kiel parametron Nagelkerke R Square, se tio estas pli alta ol 0.50. Post kiu taksis la rezultojn de la klasifiko, en kiu la reala indikilojn de aparteno al unu aŭ alia kategorio de la studo komparas kun la predicho por la regreso modelo. Por tio la tablo Klasifiko Tablo. Ĝi ankaŭ permesas eltiri konkludojn pri la praveco de diferenciación por ĉiu de la grupo en demando. . La sekva tabulo ebligas trovi statistike signifa sendependaj faktoroj iris en la analizo kaj ankaŭ ne-normigitaj faktoro logistika malprogreso. Surbaze de ĉi tiuj indikiloj povas antaŭdiri afiliación de ĉiu respondanto en la specimeno al specifa grupo. Nova variabloj povas esti enirita uzante la Konservi butonon. Ili enhavos informon sur la membreco de aparta klasifiko kategorio (Predictedcategory) kaj la probableco de inkludo en tiuj grupoj (antaŭdiris probabloj membreco). Post premo de la "OK" butonon en la ĉefa fenestro aperos _Multinomial_ Loĝistika Regreso kalkulo rezultoj.

La unua tabelo, kiu enhavas gravajn indikilojn por la esploristo, - Model Fitting Informo. Alta nivelo de statistika signifo indikos al la alta kvalito kaj taŭgeco de la uzo de modeloj por solvi praktikan problemojn. Alia grava tablo estas la Pseudo R-Placo. Ĝi permesas vin taksi la proporcion de la totala varianco en la dependa faktoro, kiu estas kaŭzita de la sendependaj variabloj elektitaj por analizo. Laŭ Tablo Verŝajneco Ratio Testoj povas eltiri konkludojn pri la statistika signifo de tiu lasta. La parametro Taksoj pripensi ne-normigitaj koeficientoj. Ili estas uzitaj en la konstruo de la ekvacio. Krome, por ĉiu kombinaĵo de variabloj estas difinita la statistika signifo de lia trafo en la dependa faktoro. Dume, la merkato esploro estas ofte devas diferenci la kategorioj de la enketitaj ne aparte, sed kiel parto de la celgrupo. Por tio la tablo Observedand antaŭdiris Oftecoj.

praktikan aplikon

Konsiderita metodo de analizo estas vaste uzata en la laboro de komercistoj. En 1991, la sigmoideas logistika malprogreso indikilo estis disvolvita. Ĝi estas facila-al-uzo kaj efika ilo kiu povas esti uzita por antaŭdiri la verŝajna prezoj por ilia "sobrecalentamiento". Indikilo estas prezentita sur la grafikaĵo en la formo de kanalo formita de du linioj etendas paralele. Ili forigis egalan distancon de la tendenco. La larĝo de la koridoro dependos sole sur la timeframe. La indikilo estas uzata kiam laborante kun preskaŭ ĉiuj aktivoj - de valuto paroj al valoraj metaloj.

Praktike, ĝi produktis 2 ŝlosilo strategioj por la uzo de la instrumento: krizon kaj inversigo. En la lasta kazo la negocisto enfokusigos en la dinamiko de prezo ŝanĝojn ene de la kanalo. An estas la verŝajneco ke la movado komenciĝas en la kontraŭa direkto al mezuro kiu alproksimigas la kosto de subteno aŭ rezisto linio rapideco. Se la prezo estas proksime ĝustigita al la supra limo, tiam la aktivo povas esti eliminita. Se estas en la pli malalta limo, vi devus pensi pri aĉetanta. Strategia rompo engaĝas la uzo de mandatoj. Ili estas instalitaj ekstere de la limoj de la relative mallonga distanco. Konsiderante ke la prezo en iuj kazoj malobservi ilin por mallonga tempo, vi devus ludi ĝin sekura kaj starigis la halto-perdo. Samtempe, kompreneble, sendepende de la elektita strategio postulas la komercisto maksimumigi trankvile percepti kaj taksi la situacion kiu ŝprucis en la merkato.

konkludo

Tiel, la uzo de logistika malprogreso permesas vin rapide kaj facile klasifiki respondantoj per kategorioj laŭ la specifita parametroj. Dum analizado de la ebla uzo de certa vojo. Aparte, la versatilidad de malsamaj multinomial regreso. Tamen, spertuloj rekomendas la uzon de ĉiuj metodoj priskribitaj supre en la kompleksa. Ĉi tio estas pro la fakto, ke en tiu kazo la kvalito de la modelo estos signife pli alta. Ĉi tio, siavice, pligrandigi la gamon de lia apliko.