Logistinen regressio: mallit ja menetelmät

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Logistinen regressio ja erotteluanalyysiä käytetään, kun on tarpeen erottaa selvästi vastaajien kohderyhmiin kuuluvien. Lisäksi, nämä ryhmät ovat yhdessä yksiulotteista parametrin tasolla. а также выясним, для чего она нужна. Harkita tarkemmin logistinen regressiomalli, sekä selvittää, mitä se oli.

yleiskatsaus

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Esimerkkinä ongelman ratkaisussa, jota käytetään logistinen regressio, voi olla luokittelun vastaajien ryhmä ostaa eikä ostaa sinappi. Erilaistuminen suoritettava sosiodemograafiset. Näitä ovat erityisesti ovat ikä, sukupuoli, perheenjäsenten lukumäärän, tulot jne. On kriteereitä erottamaan ja muuttuja operaatioon. Jälkimmäinen koodaa kohde- ryhmään, jonka itse asiassa täytyy jakaa vastaajat.

vivahteet

, значительно уже, чем для дискриминантного анализа. On todettava, että eri tapaukset, joissa sovelletaan regressio logistiikka, paljon kapeampi kuin erotteluanalyysi. Tässä suhteessa, käyttö jälkimmäinen yleinen menetelmä erilaistumisen pidetään edullisempi. Lisäksi asiantuntijat suosittelevat aloittaen luokitusta tutkimuksen erotteleva analyysi. Ja mikäli epävarmuuden tuloksia voidaan käyttää logistinen regressio. Tämä välttämättömyys johtuu useista tekijöistä. используется при наличии четкого представления о типе независимых и зависимых переменных. Logistista regressiota käytetään, kun on olemassa selkeä käsitys tyypistä riippumaton ja riippuvien muuttujien. Vastaavasti, valittu yksi 3 mahdollisia menettelytapoja. Kun erotteluanalyysi, tutkija on aina tekemisissä staattisessa käytössä. Se osallistuu yksi riippuvainen ja useita riippumattomia kategorinen muuttujiin mittakaavassa tahansa.

tyypit

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Tavoitteena tilastollinen tutkimus, joka käyttää logistinen regressio, on sen todennäköisyyden määrittämiseksi, että tietty vastaaja on osoitettu tiettyyn ryhmään. Erilaistuminen suoritettava tiettyjä parametreja. Käytännössä, arvojen mukaisesti yhden tai useamman itsenäisen tekijät voidaan luokitella kahteen ryhmään vastaajien. . Tässä tapauksessa on binäärinen logistinen regressio. Myös määritelty parametreja voidaan käyttää niiden jako ryhmä on suurempi kuin kaksi. Tällaisessa tilanteessa on multinomiaalinen logistinen regressio. Tuloksena ryhmä ilmaistaan tasoja tahansa muuttuja.

esimerkki

Oletetaan on vastaajien vastauksia kysymykseen, ovatko he kiinnostuneita tarjouksen voi hankkia maata esikaupungeissa Moskovassa. Tässä tapauksessa vaihtoehdot ovat "ei" ja "kyllä". Meidän täytyy selvittää, mitkä tekijät ovat hallitseva vaikutusta päätökseen potentiaalisia ostajia. Tästä vastaaja kysymyksiä kysytään infrastruktuurin alueella, etäisyys pääkaupungista, maa-alue, läsnäolo / poissaolo asuinrakennusten ja niin edelleen. Binääriohjaus regressio, voidaan jakaa kahteen ryhmään vastaajista. Ensimmäinen sisältää ne, jotka ovat kiinnostuneita ostamaan - potentiaalisia ostajia, ja toinen vastaavasti niitä, jotka eivät ole kiinnostuneita tällaista tarjousta. Kunkin vastaajan lisäksi, se lasketaan todennäköisyys tehtävän yhteen luokkaan tai toisella.

vertaileva ominaisuudet

Toisin kuin edellä olevien kahden suoritusmuodon koostuu eri määrä ja tyyppi ryhmien riippuvaisten ja riippumattomien muuttujien. Binäärisessä regressio, esimerkiksi, tutki riippuvuus dikotomista kertoimella yksi tai useampi riippumaton olosuhteissa. Tässä tapauksessa, tämä voi olla mitä tahansa tyyppiä mittakaavassa. Multinomial regressio pidetään eräänlaisena version luokitusta. Se liittyy riippuvan muuttujan yli 2-ryhmät. Riippumattomien tekijöiden on oltava joko järjestysasteikolla tai nimellinen mittakaavassa.

Logistinen regressio SPSS

Tilastopaketilla 11-12, esitteli uuden version analyysin - järjestyksessä. Tätä menetelmää käytetään silloin, kun riippuvainen tekijä liittyy sama nimi (järjestysluku) mittakaavassa. Tällöin riippumattomia muuttujia valitun tietyntyyppisen. Niiden on oltava joko järjestysluku tai nimellinen. Luokittelu useissa luokissa pidetään kaikkein monipuolisin. Tätä menetelmää voidaan käyttää kaikissa tutkimuksissa käytetty logistinen regressio. , однако, можно только с помощью всех трех приемов. Parantaa mallin on kuitenkin mahdollista vain käyttämällä kaikkia kolmea menetelmää.

järjestysluku luokittelu

Sanotaan, että aiemmin tilastollista pakettia ei antanut mahdollisuuden suorittaa tyypillinen erikoistunut analyysin riippuvaisia tekijöitä järjestysasteikolla. Kaikkiin muuttujiin, jossa ryhmien lukumäärä on yli 2 käytetty multinomi vaihtoehto. Käyttöön suhteellisen äskettäin sekvenssianalyysi on useita ominaisuuksia. Niissä otetaan huomioon erityispiirteet mittakaavassa se. часто не рассматривается как отдельный прием. Samaan aikaan menetelmäkäsikirjat järjestysluku logistista regressiota usein ei käsitellä erillisenä vastaanotto. Syy on seuraava: sarja-analyysiä ei ole merkittäviä etuja multinomi. Tutkija voi hyvin käyttää jälkimmäistä läsnä ja järjestysluvun, ja nimellinen riippuva muuttuja. Näin luokitteluprosessi ovat lähes mahdoton erottaa toisistaan. Tämä tarkoittaa sitä, että tilalla kertaluvun analyysi ei aiheuta ongelmia.

analysoida vaihtoehtoja

Tarkastellaan yksinkertaista tapaus - binäärisen regressio. Esimerkiksi parhaillaan markkinointitutkimus arvioidun kysynnän valmistuneiden tiettyjen Metropolitan University. Kyselyssä kysyttiin kysymyksiä, kuten:

1. Oletko töissä? (Ql).
2. Määritä vuosi valmistumisen (Q21).
3. Mikä on keskiarvo ulostuloon (aver).
4. Sukupuoli (Q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Logistinen regressio tulee arvioimaan riippumattomien tekijöiden vakuuttavat, Q21 ja Q22 vaihtelevilla QL. Yksinkertaisesti sanottuna, Analyysin tavoitteena on määrittää todennäköisiä työllisyysvaikutuksia valmistuneiden perusteella tietoja kentällä, vuoden lopussa, ja keskimääräinen pistemäärä.

logistinen regressio

Asettaa parametrit binary regressio, käyttää Analyze►Regression►Binary logistinen valikosta. Vuonna Logistinen regressio valita vasemmassa luettelon käytettävissä olevista muuttujista riippuvainen tekijä. Ne on ql. Tämä muuttuja on sijoitettava Riippuu kenttään. Tämän jälkeen sinun täytyy antaa sivuston Kovariaatit riippumattomia tekijöitä - Q21, Q22, Aver. Sitten sinun täytyy valita tapa ne sisällytetään analyysiin. Jos määrä riippumattomia tekijöitä yli 2, älä käytä menetelmää samanaikaisen annon kaikkia muuttujia, jotka on asennettu oletuksena, ja askel askeleelta. Suosituin tapa katsotaan taaksepäin: LR. Käyttäen valintapainiketta, et voi sisällyttää tutkimukseen vastaajista, ja vain tietyille kohderyhmille luokkaan.

Määrittele Kategorinen muuttujat

Kategorinen painiketta käyttää siinä tapauksessa, kun yksi muuttujista on mitoitettu määrä luokkaa yli 2. Tässä tilanteessa Määritä Categorical muuttujat ikkunan kategorisen Kovariaatit asemalle sijoitettu juuri tällainen vaihtoehto. Tässä esimerkissä, kuten muuttuja puuttuu. Tämän jälkeen pudotusvalikosta, valitse kohde Kontrasti poikkeama ja napsauta Muuta-painiketta. Tämän seurauksena jotkut riippuvat muuttujat luodaan kustakin mitoitettu tekijä. Niiden määrä vastaa useita alkuperäisten ehtojen luokkien.

Tallenna uutta muuttujaa

Käytä Tallenna-painiketta Päätutkimuksen asetetaan uusien valintaikkunaan. Ne sisältävät numeroita lasketaan prosessin regressio. Erityisesti on mahdollista luoda muuttujia, jotka määrittävät:

1. Kuuluminen tiettyä luokitusta (Groupmembership).
2. Todennäköisyys luokittelemiseksi vastaajien kunkin study group (todennäköisyydet).

Käytettäessä valinnat -painiketta tutkija ei saa merkittäviä mahdollisuuksia. Näin ollen, se voidaan jättää huomiotta. Jälkeen painamalla "OK" -painiketta pääasiassa ikkuna tulee näkyviin analyysin tuloksista.

Laatu logistinen regressio riittävyyden

Harkitse taulukon Omnibus Testsof Malli kertoimia. Se näyttää analyysin tulokset laadun lähentämisestä mallin. Johtuen siitä, että vähitellen vaihtoehdon, sinun täytyy katsoa tuloksia viimeisen vaiheen (Vaihe 2) on asetettu. Pidettäisiin positiivinen tulos, jossa havaittiin kasvun Chi-square indeksi siirtymistä seuraavaan vaiheeseen on korkea merkitys (Sig. <0,05). Laatu Mallin arvioidaan Model linjaa. Jos saat negatiivinen arvo, mutta sitä ei pidetä merkittävänä, jos yleinen korkea olennaisuuden mukaan viimeinen voidaan pitää käytännössä käytettävissä.

taulukot

Malli Yhteenveto tarjoaa arvion koko dispersion indeksi, joka kuvaa rakennettu malli (kuvio R Square). On suositeltavaa käyttää arvoa Nagelker. Myönteisenä merkkinä voidaan pitää parametri Nagelkerke R Square, jos se on suurempi kuin 0,50. Sen jälkeen arvioitiin tulosten luokittelu jossa varsinainen indikaattorit, jotka kuuluvat yhteen tai toiseen luokkaan tutkimuksen verrataan ennustettu regressiomallin. Tätä tarkoitusta varten taulukon luokittelu Taulukko. Sen avulla voidaan myös tehdä päätelmiä oikeellisuutta eriyttäminen kunkin ryhmän osalta. . Seuraavassa taulukossa on mahdollista löytää itsenäisiä merkitseviä tekijöitä syötetään analyysiin sekä ei-standardoidun tekijä logistinen regressio. Perusteella nämä indikaattorit voivat ennakoida kuuluminen jokaisen vastaajan näytteessä tietylle ryhmälle. Uusia muuttujia voidaan syöttää Tallenna-painiketta. Ne sisältävät tietoja jäsenyys tietyn luokituksen luokkaan (Predictedcategory) ja todennäköisyys osallisuuden näissä ryhmissä (ennustettu todennäköisyydet jäsenyyden). Painamisen jälkeen "OK" -painiketta tärkein ikkuna ilmestyy multinomiaalinen logistinen regressiolaskelman tuloksia.

Ensimmäisessä taulukossa, jossa on tärkeitä indikaattoreita tutkijan - mallin sovitus tiedot. Korkea tilastollista merkitystä vie automaattisesti korkea laatu ja sopivuus mallien käytön käytännön ongelmien ratkaisemiseksi. Toinen tärkeä taulukossa on Pseudo R-aukiolta. Sen avulla voit arvioida osuus koko varianssi riippuvaisen tekijän, joka aiheuttaa riippumattomia muuttujia valitaan analyysiä. Taulukon uskottavuusosamäärä voi tehdä johtopäätöksiä tilastollisen merkittävyyden jälkimmäisen. Parametrien Arviot heijastaa ei-standardoidun kertoimia. Niitä käytetään rakentamisessa yhtälö. Lisäksi kunkin muuttujien yhdistelmä määräytyy tilastollista merkittävyyttä niiden vaikutuksesta riippuva tekijä. Samaan aikaan markkinatutkimus on usein tarpeen eriyttää ryhmiin vastaajista ei erikseen, vaan osana kohderyhmän. Tätä varten taulukon Observedand Ennustettu taajuudet.

käytännön soveltamista

Katsotaan analyysimenetelmä käytetään laajalti työssä kauppiaille. Vuonna 1991 sigmoid logistinen regressio indikaattori kehitettiin. Hän on helppo käyttää ja tehokas työkalu, jonka avulla voidaan ennustaa todennäköisesti hintoja heidän "ylikuumenemista". Ilmaisin on esitetty kaavion muodossa muodostaman kanavan kaksi riviä, jotka ulottuvat rinnakkain. He poistivat yhtä kaukana trendi. Leveys käytävän riippuu yksinomaan aikataulussa. Näyttölaitetta käytetään työskenneltäessä lähes kaikki hyödykkeen - välillä valuuttoja jalometalleja.

Käytännössä se tuotti 2 keskeisistä strategioista käyttöön välineen: jaottelu ja kääntyminen. Jälkimmäisessä tapauksessa elinkeinonharjoittajan keskittyy dynamiikan hintamuutosten kanavan sisällä. Käytössä on todennäköisyys, että liike alkaa vastakkaiseen suuntaan, kun se lähestyy kustannukset tukea tai vastus linja korko. Jos hinta on tiiviisti sopivat yläraja, niin hyödykkeen voidaan eliminoida. Jos se on alaraja, sinun pitäisi ajatella ostaa. Strategia erittely liittyy käytön oikeuksista. Ne asennetaan rajojen ulkopuolella suhteellisen lyhyen matkan. Ottaen huomioon, että hintojen joissakin tapauksissa rikkoa niitä lyhyen aikaa, sinun pitäisi pelata varman päälle ja aseta stop-loss. Samalla tietenkin riippumatta valitun strategian mukaan elinkeinonharjoittaja maksimoida viileästi hahmottaa ja arvioida tilannetta, joka on syntynyt markkinoilla.

johtopäätös

Siten käyttö logistisen regression avulla voit nopeasti ja helposti kategorisoida vastaajat luokkiin mukaisesti määritettyjä parametreja. Kun analysoidaan mahdollinen käyttö tietyllä tavalla. Erityisesti, monipuolisuus eri multinomial regressio. Asiantuntijat kuitenkin suositeltavaa käyttää kaikkia edellä kuvattuja menetelmiä monimutkainen. Tämä johtuu siitä, että tässä tapauksessa laatu malli on huomattavasti korkeampi. Tämä puolestaan laajentavat sen soveltamista.