Fig. 1 shows a scatter-plot of thes

Fig. 1 shows a scatter-plot of these mock data, relating recovery to hours of treatment per week. Although not particularly
interesting in itself, this figure serves to highlight a number of important issues regarding why logistic regression is to be
preferred in these contexts over other regression procedures. There are a number of things to note immediately based on
an inspection of these data. The first is that the outcome chosen for analysis in this example can only take one of two values
(0 = not recovered and 1 = recovered), any regression technique that has the possibility of predicting any other value is clearly
inappropriate for such data (it should be noted that it is not always the case that the outcome has to be divided into two
categories, sometimes the outcome will be a continuous variable; whether to actually divide this into two will depend on
the design chosen) secondly, the relationship between the predictor (hours per week) and outcome (recovery) cannot be
termed linear, but are best described by an S-shaped (‘sigmoidal’) curve; and thirdly, the variance in the outcomes (recovery)
is much smaller at the extreme values of the predictor (intervention time per week) than it is at the central values. This
tendency can be seen more easily in the plot of these values displayed in Fig. 2. This figure represents the mean recovery rate
at each level of treatment intensity (not a particularly appropriate statistic), but more importantly, it shows the confidence
intervals around those means. Inspection of these confidence intervals reveals much larger intervals (variance) in the middle
values of intervention time per week than at the extreme values. These features, especially the latter concerning unequal
variance in the outcome variable across all values of the predictor variable, make such data typically unsuitable for simple
regression analyses (see Howell, 1997, and section on alternative techniques below).

ผลลัพธ์ (ไทย) 2:

มะเดื่อ. 1 แสดงให้เห็นถึงการกระจายพล็อตของข้อมูลจำลองเหล่านี้เกี่ยวข้องกับการกู้คืนเพื่อชั่วโมงของการรักษาต่อสัปดาห์ แม้ว่าจะไม่ได้โดยเฉพาะอย่างยิ่งที่น่าสนใจในตัวเองรูปนี้ทำหน้าที่ในการเน้นจำนวนของปัญหาที่สำคัญเกี่ยวกับเหตุผลที่ถดถอยโลจิสติกจะได้รับการแนะนำในบริบทเหล่านี้มากกว่าวิธีการอื่นๆ ที่ถดถอย มีจำนวนของสิ่งที่ควรทราบตามทันทีเมื่อมีการตรวจสอบข้อมูลเหล่านี้ ที่แรกก็คือว่าผลทางเลือกสำหรับการวิเคราะห์ในตัวอย่างนี้เท่านั้นที่สามารถใช้เวลาหนึ่งในสองค่า(0 = ไม่หายและ 1 = กู้คืน) เทคนิคการถดถอยใด ๆ ที่มีความเป็นไปได้ในการคาดการณ์ค่าอื่น ๆ เห็นได้ชัดว่าไม่เหมาะสมสำหรับข้อมูลดังกล่าว(มัน ควรสังเกตว่ามันไม่ได้เป็นอย่างนั้นเสมอว่าผลจะต้องมีการแบ่งออกเป็นสองประเภทบางครั้งผลที่ได้จะเป็นตัวแปรอย่างต่อเนื่องไม่ว่าจะเป็นจริงแบ่งนี้ออกเป็นสองจะขึ้นอยู่กับการออกแบบที่ได้รับการแต่งตั้ง) ประการที่สองความสัมพันธ์ระหว่าง ทำนาย (ชั่วโมงต่อสัปดาห์) และผล (กู้คืน) ไม่สามารถเรียกว่าเชิงเส้นแต่จะมีคำอธิบายที่ดีที่สุดโดย S-รูป (sigmoidal) โค้ง; และประการที่สามความแปรปรวนในผล (การกู้คืน) มีขนาดเล็กมากที่ค่ามากของการทำนาย (เวลาแทรกแซงต่อสัปดาห์) มากกว่าที่เป็นอยู่ที่ค่ากลาง นี้มีแนวโน้มที่สามารถมองเห็นได้ง่ายขึ้นในการวางแผนค่าเหล่านี้แสดงในรูป 2. ตัวเลขนี้แสดงให้เห็นถึงอัตราการกู้คืนเฉลี่ยในแต่ละระดับความเข้มของการรักษา(ไม่ได้เป็นสถิติที่เหมาะสมโดยเฉพาะอย่างยิ่ง) แต่ที่สำคัญกว่านั้นแสดงให้เห็นถึงความเชื่อมั่นช่วงรอบวิธีการเหล่านั้น ตรวจสอบช่วงความเชื่อมั่นเหล่านี้เผยให้เห็นช่วงเวลาที่มีขนาดใหญ่มาก (แปรปรวน) อยู่ตรงกลางค่าของเวลาการแทรกแซงต่อสัปดาห์กว่าค่ามาก คุณสมบัติเหล่านี้โดยเฉพาะอย่างยิ่งหลังไม่เท่ากันเกี่ยวกับความแปรปรวนในตัวแปรผลทั่วทุกค่าของตัวแปรทำนายที่ให้ข้อมูลดังกล่าวมักจะไม่เหมาะสมสำหรับการที่เรียบง่ายการวิเคราะห์การถดถอย(ดูธรรมด๊าธรรมดา 1997 และส่วนที่เกี่ยวกับเทคนิคทางเลือกที่ด้านล่าง)

ผลลัพธ์ (ไทย) 3:

รูปที่ 1 แสดงการกระจายของข้อมูลที่พล็อตเยาะเย้ยเหล่านี้เกี่ยวข้องกับการกู้คืนของการชั่วโมงต่อสัปดาห์ แม้ว่าจะไม่ได้โดยเฉพาะอย่างยิ่ง
ที่น่าสนใจในตัวเอง รูปนี้เป็นการเน้นจำนวนของประเด็นที่สำคัญเกี่ยวกับทำไมถดถอยโลจิสติกเป็น
ที่ต้องการในบริบทเหล่านี้ผ่านกระบวนการขั้นตอนอื่น ๆ มีหมายเลขของสิ่งที่ต้องทราบทันทีตาม
การตรวจสอบข้อมูลเหล่านี้เป็นครั้งแรกที่ผลเลือกในการวิเคราะห์ตัวอย่างนี้สามารถใช้เวลาเพียงหนึ่งในสองค่า
( 0 = ไม่หาย และ 1 = หาย ) ใด ๆ ขั้นตอน เทคนิคมีความเป็นไปได้ของการพยากรณ์ค่าอื่นๆ อย่างชัดเจน
ไม่เหมาะสมสำหรับข้อมูลดังกล่าว ( มันควรจะสังเกตว่ามันไม่เสมอกรณีว่า ผลที่ได้จะแบ่งออกเป็นสอง
ประเภทบางครั้งผลที่ได้จะเป็นตัวแปรต่อเนื่อง ว่า จริง ๆ แบ่งออกเป็นสองจะขึ้นอยู่กับ
ออกแบบเลือก ) ประการที่สอง ความสัมพันธ์ระหว่างตัวแปร ( ชั่วโมง / สัปดาห์ ) และผลลัพธ์ ( กู้คืน ) ไม่สามารถ
เรียกว่าเชิงเส้น แต่จะอธิบายที่ดีที่สุดเป็นรูปโค้ง ( 'sigmoidal ' ) ; และประการที่สาม ความแปรปรวนในผล ( กู้คืน )
มีขนาดเล็กมากที่ค่าสุดขีดของตัวแปร ( เวลาแซง ต่อสัปดาห์ ) กว่าจะค่าส่วนกลาง แนวโน้มนี้
สามารถมองเห็นได้ง่ายขึ้นในพล็อตของค่าเหล่านี้แสดงในรูปที่ 2 รูปนี้แสดงถึงค่าเฉลี่ยอัตราการกู้คืนที่ระดับความเข้มการรักษาแต่ละ
( ไม่ใช่สถิติที่เหมาะสมโดยเฉพาะอย่างยิ่ง ) แต่ที่สำคัญ มันแสดงให้เห็นความมั่นใจ
หมายถึง ช่วงเวลาประมาณนั้น การตรวจสอบความเชื่อมั่นเหล่านี้เผยช่วงเวลาที่มีขนาดใหญ่มาก ( แปรปรวน ) ตรงกลาง
ช่วงเวลาในการแทรกแซงต่อสัปดาห์กว่าที่ค่ามาก คุณสมบัติเหล่านี้ โดยเฉพาะอย่างยิ่งหลังเกี่ยวกับไม่เท่ากัน
ความแปรปรวนในตัวแปรผลทุกค่าของตัวแปร ให้ข้อมูลดังกล่าวโดยทั่วไปไม่เหมาะสมสำหรับง่าย
การวิเคราะห์การถดถอย ( ดู Howell , 1997 , และฝ่ายเทคนิคทางเลือกด้านล่าง )