Logistic regressionCommand: Statist

Logistic regression

Command: Statistics
Next selectRegression
Next selectLogistic regression
Description

Logistic regression is a statistical method for analyzing a dataset in which there are one or more independent variables that determine an outcome. The outcome is measured with a dichotomous variable (in which there are only two possible outcomes).
In logistic regression, the dependent variable is binary or dichotomous, i.e. it only contains data coded as 1 (TRUE, success, pregnant, etc. ) or 0 (FALSE, failure, non-pregnant, etc.).
The goal of logistic regression is to find the best fitting (yet biologically reasonable) model to describe the relationship between the dichotomous characteristic of interest (dependent variable = response or outcome variable) and a set of independent (predictor or explanatory) variables. Logistic regression generates the coefficients (and its standard errors and significance levels) of a formula to predict a logit transformation of the probability of presence of the characteristic of interest:
Logistic regression equation

where p is the probability of presence of the characteristic of interest. The logit transformation is defined as the logged odds:
Odds=p/(1-p)

and
Logit(p)=ln(p/(1-p))

Rather than choosing parameters that minimize the sum of squared errors (like in ordinary regression), estimation in logistic regression chooses parameters that maximize the likelihood of observing the sample values.
Required input

Logistic regression dialog box

Dependent variable

The variable whose values you want to predict. The dependent variable must be binary or dichotomous, and should only contain data coded as 0 or 1. If your data are coded differently, you can use the Define status tool to recode your data.
Independent variables

Select the different variables that you expect to influence the dependent variable.
Filter

(Optionally) enter a data filter in order to include only a selected subgroup of cases in the analysis.
Options

Method: select the way independent variables are entered into the model.
Enter: enter all variables in the model in one single step, without checking
Forward: enter significant variables sequentially
Backward: first enter all variables into the model and next remove the non-significant variables sequentially
Stepwise: enter significant variables sequentially; after entering a variable in the model, check and possibly remove variables that became non-significant.
Enter variable if P<
A variable is entered into the model if its associated significance level is less than this P-value.
Remove variable if P>
A variable is removed from the model if its associated significance level is greater than this P-value.
Classification table cutoff value: a value between 0 and 1 which will be used as a cutoff value for a classification table. The classification table is a method to evaluate the logistic regression model. In this table the observed values for the dependent outcome and the predicted values (at the selected cut-off value) are cross-classified.
Categorical: click this button to identify nominal categorical variables.
Results

After you click the OK button, the following results are displayed:
Results of logistic regression

Sample size and cases with negative and positive outcome

First the program gives sample size and the number and proportion of cases with a negative (Y=0) and positive (Y=1) outcome.
Overall model fit

The null model -2 Log Likelihood is given by -2 * ln(L0) where L0 is the likelihood of obtaining the observations if the independent variables had no effect on the outcome.
The full model -2 Log Likelihood is given by -2 * ln(L) where L is the likelihood of obtaining the observations with all independent variables incorporated in the model.
The difference of these two yields a Chi-Squared statistic which is a measure of how well the independent variables affect the outcome or dependent variable.
If the P-value for the overall model fit statistic is less than the conventional 0.05 then there is evidence that at least one of the independent variables contributes to the prediction of the outcome.
Cox & Snell R2 and Nagelkerke R2 are other goodness of fit measures known as pseudo R-squareds. Note that Cox & Snell's pseudo R-squared has a maximum value that is not 1. Nagelkerke R2 adjusts Cox & Snell's so that the range of possible values extends to 1.
Regression coefficients

The logistic regression coefficients are the coefficients b0, b1, b2, ... bk of the regression equation:
Logistic regression

An independent variable with a regression coefficient not significantly different from 0 (P>0.05) can be removed from the regression model (press function key F7 to repeat the logistic regression procedure). If P0, dec

ผลลัพธ์ (ไทย) 1:

Logistic regressionCommand: StatisticsNext selectRegressionNext selectLogistic regressionDescriptionLogistic regression is a statistical method for analyzing a dataset in which there are one or more independent variables that determine an outcome. The outcome is measured with a dichotomous variable (in which there are only two possible outcomes).In logistic regression, the dependent variable is binary or dichotomous, i.e. it only contains data coded as 1 (TRUE, success, pregnant, etc. ) or 0 (FALSE, failure, non-pregnant, etc.).The goal of logistic regression is to find the best fitting (yet biologically reasonable) model to describe the relationship between the dichotomous characteristic of interest (dependent variable = response or outcome variable) and a set of independent (predictor or explanatory) variables. Logistic regression generates the coefficients (and its standard errors and significance levels) of a formula to predict a logit transformation of the probability of presence of the characteristic of interest:Logistic regression equationwhere p is the probability of presence of the characteristic of interest. The logit transformation is defined as the logged odds:Odds=p/(1-p)andLogit(p)=ln(p/(1-p))Rather than choosing parameters that minimize the sum of squared errors (like in ordinary regression), estimation in logistic regression chooses parameters that maximize the likelihood of observing the sample values.Required inputLogistic regression dialog boxDependent variableThe variable whose values you want to predict. The dependent variable must be binary or dichotomous, and should only contain data coded as 0 or 1. If your data are coded differently, you can use the Define status tool to recode your data.Independent variablesSelect the different variables that you expect to influence the dependent variable.Filter(Optionally) enter a data filter in order to include only a selected subgroup of cases in the analysis.OptionsMethod: select the way independent variables are entered into the model.Enter: enter all variables in the model in one single step, without checkingForward: enter significant variables sequentiallyBackward: first enter all variables into the model and next remove the non-significant variables sequentiallyStepwise: enter significant variables sequentially; after entering a variable in the model, check and possibly remove variables that became non-significant.Enter variable if P<A variable is entered into the model if its associated significance level is less than this P-value.Remove variable if P>A variable is removed from the model if its associated significance level is greater than this P-value.Classification table cutoff value: a value between 0 and 1 which will be used as a cutoff value for a classification table. The classification table is a method to evaluate the logistic regression model. In this table the observed values for the dependent outcome and the predicted values (at the selected cut-off value) are cross-classified.Categorical: click this button to identify nominal categorical variables.
Results

After you click the OK button, the following results are displayed:
Results of logistic regression

Sample size and cases with negative and positive outcome

First the program gives sample size and the number and proportion of cases with a negative (Y=0) and positive (Y=1) outcome.
Overall model fit

The null model -2 Log Likelihood is given by -2 * ln(L0) where L0 is the likelihood of obtaining the observations if the independent variables had no effect on the outcome.
The full model -2 Log Likelihood is given by -2 * ln(L) where L is the likelihood of obtaining the observations with all independent variables incorporated in the model.
The difference of these two yields a Chi-Squared statistic which is a measure of how well the independent variables affect the outcome or dependent variable.
If the P-value for the overall model fit statistic is less than the conventional 0.05 then there is evidence that at least one of the independent variables contributes to the prediction of the outcome.
Cox & Snell R2 and Nagelkerke R2 are other goodness of fit measures known as pseudo R-squareds. Note that Cox & Snell's pseudo R-squared has a maximum value that is not 1. Nagelkerke R2 adjusts Cox & Snell's so that the range of possible values extends to 1.
Regression coefficients

The logistic regression coefficients are the coefficients b0, b1, b2, ... bk of the regression equation:
Logistic regression

An independent variable with a regression coefficient not significantly different from 0 (P>0.05) can be removed from the regression model (press function key F7 to repeat the logistic regression procedure). If P<0.05 then the variable contributes significantly to the prediction of the outcome variable.
The logistic regression coefficients show the change (increase when bi>0, dec

ผลลัพธ์ (ไทย) 2:

โลจิสติกการถดถอยคำสั่ง: สถิติถัดไป selectRegression ถัดไป selectLogistic ถดถอยคำอธิบายถดถอยโลจิสติเป็นวิธีการทางสถิติสำหรับการวิเคราะห์ชุดข้อมูลที่มีอยู่ในหนึ่งหรือเป็นอิสระมากขึ้นตัวแปรที่กำหนดผลต่อ A ผลเป็นวัดที่มีตัวแปร dichotomous (ซึ่งมีเพียงสองผลลัพธ์ที่เป็นไป). ในการถดถอยโลจิสติกตัวแปรตามเป็นไบนารีหรือ dichotomous คือมันมีเพียงข้อมูลที่กำหนดเป็น 1 (จริง, ความสำเร็จ, ตั้งครรภ์, ฯลฯ ) หรือ 0 (FALSE, ความล้มเหลวที่ไม่ได้ตั้งครรภ์ ฯลฯ ). เป้าหมายของการถดถอยโลจิสติคือการหาที่เหมาะสมที่ดีที่สุด (ยังเหมาะสมทางชีวภาพ) รุ่นที่จะอธิบายความสัมพันธ์ระหว่างลักษณะ dichotomous ที่น่าสนใจ (ขึ้นอยู่กับตัวแปร = การตอบสนองหรือตัวแปรผล) และชุดของอิสระ (ทำนายหรือคำอธิบาย) ตัวแปร ถดถอยโลจิสติสร้างค่าสัมประสิทธิ์ (และข้อผิดพลาดมาตรฐานและระดับนัยสำคัญ) ของสูตรที่จะคาดการณ์การเปลี่ยนแปลงของ logit น่าจะเป็นของการปรากฏตัวของลักษณะที่น่าสนใจ: สมการถดถอยโลจิสติกP คือน่าจะเป็นของการปรากฏตัวของลักษณะของดอกเบี้ย การเปลี่ยนแปลง logit ถูกกำหนดให้เป็นอัตราต่อรองเข้าสู่ระบบ: ราคา = P / (1-P) และLogit (P) = LN (P / (1-P)) แทนที่จะเลือกพารามิเตอร์ที่ลดผลรวมของข้อผิดพลาดยืด (เหมือนในสามัญ การถดถอย) ประมาณในการถดถอยโลจิสติกเลือกพารามิเตอร์ที่เพิ่มโอกาสในการสังเกตค่าตัวอย่าง. ต้องใช้การป้อนข้อมูลโลจิสติกการถดถอยกล่องโต้ตอบตัวแปรตามตัวแปรที่มีค่าที่คุณต้องการที่จะทำนาย ตัวแปรจะต้องเป็นไบนารีหรือ dichotomous และควรประกอบด้วยข้อมูลกำหนดเป็น 0 หรือ 1 ถ้าข้อมูลของคุณจะเขียนแตกต่างกันที่คุณสามารถใช้เครื่องมือสถานะกำหนดต้องเขียนโค้ดข้อมูลของคุณ. ตัวแปรอิสระเลือกตัวแปรที่แตกต่างที่คุณคาดว่าจะมีอิทธิพลต่อ . ตัวแปรกรอง(ขยะ) ใส่ตัวกรองข้อมูลเพื่อที่จะมีเฉพาะกลุ่มย่อยเลือกของผู้ป่วยในการวิเคราะห์. ตัวเลือกวิธีการ:. เลือกวิธีการที่ตัวแปรอิสระที่จะป้อนเข้าสู่รูปแบบการใส่: ใส่ตัวแปรทั้งหมดในรูปแบบหนึ่ง ขั้นตอนเดียวโดยไม่ต้องตรวจสอบไปข้างหน้า: ใส่ตัวแปรที่สำคัญตามลำดับย้อนหลังแรกใส่ตัวแปรทั้งหมดในรูปแบบและต่อไปเอาตัวแปรที่ไม่ได้อย่างมีนัยสำคัญตามลำดับแบบขั้นตอน: ใส่ตัวแปรที่สำคัญตามลำดับ; หลังจากที่เข้ามาเป็นตัวแปรในโมเดลให้ตรวจสอบและอาจลบตัวแปรที่กลายเป็นไม่ใช่อย่างมีนัยสำคัญ. ใส่ตัวแปรถ้า P < ตัวแปรจะเข้าสู่รูปแบบถ้าระดับนัยสำคัญที่เกี่ยวข้องน้อยกว่านี้ P-value. นำตัวแปรถ้า P> ตัวแปรจะถูกลบออกจากแบบจำลองถ้าระดับนัยสำคัญที่เกี่ยวข้องเป็นจำนวนมากกว่านี้ P-value. ค่าตัดตารางการจัดประเภท: ค่าระหว่าง 0 และ 1 ซึ่งจะถูกใช้เป็นค่าตัดสำหรับตารางการจัดหมวดหมู่ ตารางจำแนกเป็นวิธีการในการประเมินรูปแบบการถดถอยโลจิสติ ในตารางนี้ค่าสังเกตเห็นผลขึ้นอยู่กับค่าที่คาดการณ์ไว้ (มูลค่าที่ตัดเลือก) จะข้ามจำแนก. หมวดหมู่: คลิกที่ปุ่มนี้เพื่อระบุตัวแปรเด็ดขาดเล็กน้อย. ผลหลังจากที่คุณคลิกปุ่ม OK ผลการดังต่อไปนี้ จะแสดง: ผลของการถดถอยโลจิสติกขนาดของกลุ่มตัวอย่างและกรณีที่มีผลเชิงลบและบวกครั้งแรกโปรแกรมช่วยให้ขนาดของกลุ่มตัวอย่างและจำนวนและสัดส่วนของผู้ป่วยที่มีการลบ (Y = 0) และบวก (Y = 1) ผล. รูปแบบโดยรวมพอดีรูปแบบการเข้าสู่ระบบ null -2 โอกาสจะได้รับโดย -2 * LN (L0) ซึ่ง L0 เป็นโอกาสของการได้รับข้อสังเกตถ้าตัวแปรอิสระไม่มีผลกระทบต่อผลได้. รูปแบบเต็มรูปแบบเข้าสู่ระบบ -2 โอกาสจะได้รับโดย -2 * LN (L) โดยที่ L คือโอกาสของการได้รับข้อสังเกตที่มีตัวแปรอิสระทั้งหมดที่จดทะเบียนในรูปแบบ. ความแตกต่างของทั้งสองมีผลเป็นสถิติไคสแควร์ซึ่งเป็นตัวชี้วัดของวิธีการที่ดีตัวแปรอิสระที่ส่งผลกระทบต่อผลหรือตัวแปรตามได้. ถ้า P-ค่าสำหรับรูปแบบโดยรวมสถิติพอดีน้อยกว่าเดิม 0.05 แล้วมีหลักฐานว่าอย่างน้อยหนึ่งในตัวแปรอิสระที่ก่อให้เกิดการคาดการณ์ของผลได้. ค็อกซ์และปราดเปรื่อง R2 และ Nagelkerke R2 จะความดีอื่น ๆ ของมาตรการพอดีรู้จักกัน เป็นหลอก R-squareds โปรดทราบว่าค็อกซ์และปราดเปรื่องของหลอก R-Squared มีค่าสูงสุดที่ไม่ได้เป็น 1. Nagelkerke R2 ปรับค็อกซ์และปราดเปรื่องเพื่อให้ช่วงของค่าที่เป็นไปได้ขยายไปถึง 1. สัมประสิทธิ์การถดถอยค่าสัมประสิทธิ์การถดถอยโลจิสติกที่มีค่าสัมประสิทธิ์ B0, B1, B2, ... BK ของสมการถดถอย: การถดถอยโลจิสติกตัวแปรอิสระที่มีค่าสัมประสิทธิ์การถดถอยไม่แตกต่างจาก 0 (p> 0.05) สามารถออกจากตัวแบบการถดถอย (กดฟังก์ชั่น F7 กุญแจสำคัญในการทำซ้ำขั้นตอนการถดถอยโลจิสติก) ถ้า P <0.05 แล้วตัวแปรมีส่วนสำคัญกับการคาดการณ์ของตัวแปรผลได้. ค่าสัมประสิทธิ์การถดถอยโลจิสติกแสดงการเปลี่ยนแปลง (เพิ่มขึ้นเมื่อสอง> 0 ธันวาคม

ผลลัพธ์ (ไทย) 3:

การถดถอยโลจิสติกคำสั่ง : สถิติselectregression ถัดไปselectlogistic ถดถอยต่อไปรายละเอียดถดถอยโลจิสติกเป็นวิธีการทางสถิติสำหรับการวิเคราะห์ข้อมูล ซึ่งมีหนึ่งหรือมากกว่าหนึ่งตัวแปรอิสระที่ศึกษาผลการ ผลเป็นวัดที่มีตัวแปรไดโคโตมัส ( ซึ่งมีเพียงสองผลลัพธ์ที่เป็นไป )ในการถดถอยโลจิสติก , ตัวแปรไบนารีหรือไดโคโตมัส คือ มันมีข้อมูลรหัส 1 ( จริง , ความสำเร็จ , ตั้งครรภ์ , ฯลฯ ) หรือ 0 ( เท็จ ความล้มเหลวที่ไม่ตั้งครรภ์ ฯลฯ )เป้าหมายของการถดถอยโลจิสติกเพื่อค้นหาที่ดีที่สุดที่เหมาะสม ( แต่ทางชีวภาพที่เหมาะสม ) รูปแบบเพื่ออธิบายความสัมพันธ์ระหว่างลักษณะไดโคโตมัสที่น่าสนใจ ( = การตอบสนองตัวแปรผลหรือตัวแปรตาม ) และชุดของตัวแปร ( ตัวแปรหรืออธิบาย ) ตัวแปร ถดถอยโลจิสติกสร้างค่าและข้อผิดพลาดมาตรฐานและความสำคัญระดับ ) ของสูตรที่จะทำนายโดยใช้การแปลงของความน่าจะเป็นของตนในลักษณะที่น่าสนใจ :สมการถดถอยโลจิสติกที่ p คือความเป็นไปได้ของตนในลักษณะที่น่าสนใจ การเปลี่ยนแปลง หมายถึง โดยใช้ระบบการเดิมพัน :ราคา = P / ( 1-p )และโลจิท ( P ) = ln ( P / ( 1-p )แทนที่จะเลือกพารามิเตอร์ที่ลดผลรวมของกำลังสองข้อผิดพลาด ( เช่นในการถดถอย ) ธรรมดา การประมาณค่าในถดถอยโลจิสติกเลือกพารามิเตอร์ที่เพิ่มโอกาสของการสังเกตตัวอย่างค่าต้องใส่กล่องโต้ตอบการถดถอยโลจิสติกตัวแปรตามตัวแปรที่มีค่าที่คุณต้องการที่จะคาดเดาได้ ตัวแปรต้องไบนารีหรือไดโคโตมัส และควรมีข้อมูลรหัส 0 หรือ 1 ถ้าข้อมูลมีรหัสที่แตกต่างกัน คุณสามารถใช้เครื่องมือเพื่อกำหนดสถานะข้อข้อมูลของคุณตัวแปรอิสระเลือกตัวแปรต่าง ๆ ที่คุณคาดหวังที่จะมีอิทธิพลต่อตัวแปรตามตัวกรอง( ตัวเลือก ) ใส่กรองข้อมูลเพื่อรวมเพียงเลือกกลุ่มย่อยของกรณีการวิเคราะห์ตัวเลือกวิธีการ : เลือกวิธีตัวแปรอิสระที่ถูกป้อนลงในรูปแบบใส่ : ใส่ตัวแปรทั้งหมดในรูปแบบในขั้นตอนเดียว โดยไม่ต้องตรวจสอบส่งต่อ : ระบุตัวแปรที่สำคัญโดดเด่นย้อนหลัง : ตอนแรกระบุตัวแปรทุกตัวในรุ่นถัดไป พบว่าตัวแปรที่เป็นลบสัมภาษณ์ : ระบุตัวแปรสำคัญตามลำดับ ; หลังจากป้อนตัวแปรในรูปแบบ การตรวจสอบ และอาจจะลบตัวแปรที่เป็นไม่ที่สำคัญระบุตัวแปร ถ้า P < .ตัวแปรถูกป้อนลงในรูปแบบถ้าเกี่ยวข้องระดับต่ำกว่าระดับนี้ลบตัวแปรถ้า p >ตัวแปรจะถูกลบออกจากรูปแบบหากมีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติที่ระดับมากกว่าระดับนี้หมวดหมู่ : ตารางค่าตัดค่าระหว่าง 0 และ 1 ซึ่งจะสามารถใช้เป็นทางลัดค่าตารางการจำแนกประเภท จัดโต๊ะเป็นวิธีการประเมินโมเดลการถดถอยโลจิสติก ในโต๊ะนี้ สังเกตค่าของผล และค่าพยากรณ์ ( ที่เลือกตัดค่า ) จะข้ามแยก .เด็ดขาด : คลิกที่ปุ่มนี้เพื่อระบุตัวแปรจำแนกประเภทตามตราสารผลลัพธ์หลังจากที่คุณคลิกปุ่ม ตกลง ผลลัพธ์ต่อไปนี้จะแสดง :ผลของการถดถอยโลจิสติกขนาดตัวอย่างและรายผล ลบ และบวกครั้งแรกโปรแกรมจะให้ขนาดตัวอย่างและจำนวนและสัดส่วนของผู้ป่วยที่เป็นลบ ( Y = 0 ) และบวก ( Y = 1 ) ผลลัพธ์เหมาะสมกับรูปแบบโดยรวมส่วนในรุ่น - 2 ล็อกโอกาสให้ - 2 * LN ( l0 l0 ) ที่เป็นโอกาสของการได้รับการสังเกตว่าตัวแปรอิสระไม่มีผลผลเต็มรูปแบบ - 2 ล็อกโอกาสให้ - 2 * ( L ) ที่ผมเป็นโอกาสของการได้รับการสังเกตกับตัวแปรอิสระที่จัดตั้งขึ้นในรูปแบบความแตกต่างของทั้งสองทำให้ไคกำลังสองซึ่งสถิติเป็นตัวชี้วัดว่าดีต่อผลของตัวแปรอิสระหรือตัวแปรตามถ้า p สำหรับรูปแบบโดยรวมพอดีกับสถิติน้อยกว่าปกติ ) แล้วมีหลักฐานว่าอย่างน้อยหนึ่งของตัวแปรอิสระ มีส่วนช่วยในการทำนายผลCox & R2 R2 เป็น nagelkerke นลและความดีอื่น ๆพอดีกับมาตรการที่เรียกว่า r-squareds หลอก ทราบว่า Cox & นลกำลังหลอก r-squared มีมูลค่าสูงสุดที่ไม่ใช่ 1 nagelkerke R2 ปรับ Cox & สายเบ็ดเพื่อช่วงของค่าที่เป็นไปได้ขยาย 1สัมประสิทธิ์การถดถอยค่าสัมประสิทธิ์การถดถอยโลจิสติกเป็นสัมประสิทธิ์ B0 , B1 , B2 , . . . BK OF สมการ :การถดถอยโลจิสติกและตัวแปรอิสระที่มีค่าสัมประสิทธิ์ถดถอยไม่แตกต่างจาก 0 ( P > 0.05 ) สามารถถอดออกจากตัวแบบการถดถอย ( ฟังก์ชันกดปุ่ม F7 จะทำซ้ำวิธีถดถอยโลจิสติก ) ถ้า P < 0.05 แล้วตัวแปรมีส่วนช่วยอย่างมากเพื่อทำนายผลของตัวแปรค่าสัมประสิทธิ์การถดถอยโลจิสติกแสดงการเปลี่ยนแปลง ( เพิ่มตอนบี > 0 , ธ.ค.