shows a scatter-plot of these mock

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.

ผลลัพธ์ (ไทย) 2:

แสดงให้เห็นถึงการกระจายพล็อตของข้อมูลจำลองเหล่านี้เกี่ยวข้องกับการกู้คืนเพื่อชั่วโมงของการรักษาต่อสัปดาห์ แม้ว่าจะไม่ได้น่าสนใจอย่างยิ่งในตัวเองรูปนี้ทำหน้าที่ในการเน้นจำนวนของปัญหาที่สำคัญเกี่ยวกับเหตุผลที่ถดถอยโลจิสติคือการเป็นที่ต้องการในบริบทเหล่านี้มากกว่าวิธีการอื่น ๆ ถดถอย.
มีจำนวนของสิ่งที่ควรทราบทันทีขึ้นอยู่กับการตรวจสอบข้อมูลเหล่านี้มี
ที่แรกก็คือว่าผลทางเลือกสำหรับการวิเคราะห์ในตัวอย่างนี้เท่านั้นที่สามารถใช้เวลาหนึ่งในสองค่า (0 = ไม่หายและ 1 = กู้คืน) เทคนิคการถดถอยใด ๆ ที่มีความเป็นไปได้ในการคาดการณ์ค่าอื่น ๆ เห็นได้ชัดว่าไม่เหมาะสมสำหรับข้อมูลดังกล่าว (มัน
ควรสังเกตว่ามันไม่ได้เป็นอย่างนั้นเสมอว่าผลจะต้องมีการแบ่งออกเป็นสองประเภทบางครั้งผลที่ได้จะเป็นตัวแปรอย่างต่อเนื่องไม่ว่าจะเป็นจริงแบ่งนี้ออกเป็นสองจะขึ้นอยู่กับการออกแบบที่ได้รับการแต่งตั้ง) ประการที่สองความสัมพันธ์ระหว่าง ทำนาย (ชั่วโมงต่อสัปดาห์) และผล (กู้คืน) ไม่สามารถเรียกว่าเชิงเส้น แต่จะมีคำอธิบายที่ดีที่สุดโดย S-รูป (sigmoidal) โค้ง; และประการที่สามความแปรปรวนในผล (การกู้คืน) มีขนาดเล็กมากที่ค่ามากของการทำนาย (เวลาแทรกแซงต่อสัปดาห์) มากกว่าที่เป็นอยู่ที่ค่ากลาง

ผลลัพธ์ (ไทย) 3:

แสดงแผนการกระจายข้อมูลเยาะเย้ยเหล่านี้เกี่ยวข้องกับการกู้คืนของการชั่วโมงต่อสัปดาห์ แม้ว่าจะไม่ได้โดยเฉพาะอย่างยิ่งที่น่าสนใจในตัวเอง รูปนี้เป็นการเน้นจำนวนของประเด็นที่สำคัญเกี่ยวกับทำไม logistic regression คือต้องในบริบทเหล่านี้ผ่านกระบวนการขั้นตอนอื่น ๆ
มีหมายเลขของสิ่งที่ต้องทราบได้ทันทีจากการตรวจสอบข้อมูลเหล่านี้
เป็นครั้งแรกที่ผลเลือกในการวิเคราะห์ตัวอย่างนี้สามารถใช้เวลาเพียงหนึ่งหรือสองค่า ( 0 = ไม่หาย และ 1 = หาย ) ใด ๆ ขั้นตอน เทคนิคมีความเป็นไปได้ของการพยากรณ์ค่าอื่น ๆ เห็นได้ชัดว่าไม่เหมาะสมสำหรับข้อมูลดังกล่าว ( มันควรจะสังเกตว่ามันไม่เสมอกรณีผลที่ได้ จะแบ่งออกเป็นสองประเภทบางครั้งผลที่ได้จะเป็นตัวแปรต่อเนื่อง ว่า จริง ๆ แบ่งออกเป็นสองจะขึ้นอยู่กับ
ออกแบบเลือก ) ประการที่สอง ความสัมพันธ์ระหว่างตัวแปร ( ชั่วโมง / สัปดาห์ ) และผลลัพธ์ ( กู้คืน ) สามารถ termed เป็นเส้นตรง แต่จะอธิบายที่ดีที่สุดเป็นรูปโค้ง ( 'sigmoidal ' ) ; และประการที่สามความแปรปรวนในผล ( กู้คืน ) มีขนาดเล็กมากที่ค่าสุดขีดของตัวแปร ( เวลาแซง ต่อสัปดาห์ ) กว่าจะค่าส่วนกลาง