Логик регрессийн: загвар, арга

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Логик регрессийн болон discriminant дүн шинжилгээ хийх нь тодорхой хамрагдагчдын зорилтот ангиллыг ялгах шаардлагатай үед ашиглана. Цаашилбал, эдгээр бүлгүүд нь нэг univariate параметр түвшин юм. а также выясним, для чего она нужна. түүнчлэн, цаашид нарийвчлан ложистик регрессийн загварыг авч үзье энэ нь ямар байсныг олж мэд.

Тойм

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. асуудлын нэг жишээ нь, логик регрессийн ашиглаж байгаа шийдэл, бүлэг худалдан авах замаар оролцогчдын ба гич худалдан авалт хийхгүй нь ангилал байж болно. ялгаа нийгэм-хүн ам зүйн шинж дагуу хийж гүйцэтгэнэ. Эдгээр нь ялангуяа, нас, хүйс, гэр бүлийн гишүүдийн тоо, орлого, гэх зэрэг орно. Ялгах шалгуур, үйл ажиллагаа явуулж байгаа хувьсагч байдаг. Сүүлийнх, зорилтот ангилал кодлодог үнэндээ оролцогчдын хувааж хэрэгтэй.

нарийн ширийн

, значительно уже, чем для дискриминантного анализа. Энэ нь хэлж байх ёстой тохиолдолд хүрээ нь хэрэглэж регрессийн логистик, discriminant шинжилгээ илүү нарийн тэр. Үүнтэй холбогдуулан, ялган нь түгээмэл арга болох сүүлийн хэрэглэх нь илүү илүүд үздэг. Түүнээс гадна, шинжээчид ангилал судалгаа ялгаварлан дүн шинжилгээ хийх нь эхлэн санал болгож байна. Тэгээд л үр дүнг тодорхой бус тохиолдолд логик регрессийн ашиглаж болно. Энэ шаардлага нь хэд хэдэн хүчин зүйлээс үүдэлтэй байдаг. используется при наличии четкого представления о типе независимых и зависимых переменных. бие даасан, хараат хувьсагчийн төрөл талаар тодорхой санаа байх үед логик регрессийн ашиглаж байна. Иймд, 3 боломжит журам нэг нь сонгосон байна. Үед discriminant дүн шинжилгээ хийх, судлаач үргэлж статик үйл ажиллагаанд ажиллаж байна. Энэ нь ямар нэгэн төрлийн масштабтай нэг нь хамааралтай, хэд хэдэн бие даасан категори хувьсагчуудыг оролцсон.

төрөл

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Зорилго статистик судалгаа нь логик регрессийн ашигладаг нь тодорхой хариуцагч нь тодорхой бүлэгт оноож болно магадлалыг тодорхойлох явдал юм. Ялгаа тодорхой үзүүлэлтүүдийн дагуу хийж гүйцэтгэнэ. Бодит байдал дээр, нэг буюу хэд хэдэн бие даасан хүчин зүйл утгын дагуу судалгаанд оролцогчдын хоёр бүлэг болгон ангилж болно. . Энэ тохиолдолд, хоёртын логик регрессийн байна. Мөн заасан үзүүлэлтүүдийг бүлэгт хуваарилах ашиглаж болно хоёр илүү их байна. Ийм нөхцөл байдалд нь multinomial логик регрессийн байна. үр дүнд бүлэг аль нэг хувьсагчийн түвшинг илэрхийлсэн байна.

жишээ нь

Тэд Москва хотын захын газрыг худалдан авах санал сонирхож байгаа эсэх асуултад судалгаанд оролцогчдын хариулт байна гэж бодъё. Энэ тохиолдолд, хувилбарууд "үгүй" ба "тийм". Бид ямар боломжит худалдан авагчдын шийдвэрийн талаар голлох нөлөө үзүүлдэг хүчин олж мэдэх хэрэгтэй. Энэ хариуцагчийн хувьд асуулт нутаг дэвсгэрийн дэд бүтцийн талаар асуусан юм, нийслэл, газар нутаг, өмнө / орон сууцны барилга байхгүй гэх мэт. хоёртын регрессийн хэрэглэх нь зай, оролцогчдын хоёр бүлэгт тарааж болно. боломжит худалдан авагч болон тус тус ийм санал сонирхолтой биш юм хүмүүс, хоёр дахь - эхний худалдан авах сонирхолтой хүмүүс орно. хариуцагчийн бүрийн хувьд гадна, энэ нь ажлын магадлалыг нэг ангилалд эсвэл өөр тооцоолсон болно.

харьцуулсан шинж чанар

Хоёр embodiments ялгаатай нь дээш нь өөр өөр тоо, хамааралтай бүлэг, бие даасан хувьсагчийн төрөл бүрдэнэ. хоёртын регрессийн Жишээ нь, нэг буюу хэд хэдэн бие даасан нөхцөл байдлаас хамааралтай Хоёр сонголттой хүчин зүйл судалсан байна. Энэ тохиолдолд, сүүлийн цар хүрээ ямар ч төрлийн байж болно. Multinomial регрессийн ангиллын хувилбар нь ямар гэж үздэг. Энэ нь 2-оос дээш бүлгийн хувьд хамааралтай хувьсагчид холбоотой. Бие даасан хүчин зүйл нь дэс эсвэл нэрлэсэн хэмжээний байх ёстой.

SPSS-д логик регрессийн

статистикийн багц 11-12, дүн шинжилгээ хийх нь шинэ хувилбарыг танилцуулсан - дарааллыг. хамааралтай хүчин зүйл нь ижил нэр (дэс) хэмжээнд хамаарах үед энэ аргыг хэрэглэж байна. Энэ тохиолдолд бие даасан хувьсагч тодорхой нэг төрөл сонгосон байна. Тэд дэс эсвэл нэрлэсэн аль нэг байх ёстой. хэд хэдэн ангилалд Ангилал хамгийн уян хатан гэж үздэг. Энэ арга нь логик регрессийн хэрэглэсэн бүх судалгаанд ашиглаж болно. , однако, можно только с помощью всех трех приемов. загвар, чанарыг сайжруулах, Гэсэн хэдий ч, зөвхөн гурван аргыг ашиглан болох юм.

дэс ангилал

Энэ нь статистикийн багц өмнө нь дэс масштабтай хамааралтай хүчин зүйл нь ердийн мэргэжлийн дүн шинжилгээ хийх боломж олгож байсан юм гэж хэлсэн байдаг. бүх хувьсагчдын хувьд 2-оос дээш бүлэг тооны multinomial сонголт байсан. харьцангуй саяхан танилцуулсан дараалал шинжилгээ онцлог нь хэд хэдэн байна. Тэд хэмжээнд энэ онцлогийг харгалзан авна. часто не рассматривается как отдельный прием. Үүний зэрэгцээ, арга зүйн гарын авлага дахь дэс логик регрессийн ихэвчлэн тусдаа хүлээн гэж үзнэ байна. шалтгаан нь дараах байдалтай байна: цуваа шинжилгээ multinomial дээр ямар нэгэн чухал давуу тал байхгүй. судлаач сайн оршихуй болон дэс болон нэрлэсэн хамааралтай хувьсагч хожмын ашиглаж болно. Ингэхдээ ангилал үйл явц нь бие биенээсээ бараг ялгагдахгүй байна. Энэ холдинг зэрэг шинжилгээ ямар нэгэн асуудал үүсгэж байх болно гэсэн үг юм.

хувилбаруудын шинжилгээ

хоёртын регрессийг - энгийн хэргийг авч үзье. Жишээ нь, зарим хотын их сургуулийн төгсөгчдийн маркетингийн судалгаа тооцоо эрэлт явцад. санал асуулгын онд оролцогчид асуулт, түүний дотор асуусан:

1. Та ажиллаж байна уу? (QL).
2. жилийн төгсөлтийн (п 21) зааж өгөх хэрэгтэй.
3. залгуурт (aver) дундаж оноо нь юу вэ.
4. Жендэрийн (Q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Логик регрессийн бие даасан хүчин зүйл нөлөөлөх aver, Q 21, Q 22 хувьсах QL үнэлэх болно. Энгийнээр хэлэхэд, дүн шинжилгээ хийх зорилго нь талбай, жилийн эцсийн дундаж оноо талаарх мэдээллийг үндэслэн төгсөгчдийн магадлалтай эрхлэлтийг тодорхойлох явдал юм.

логик регрессийн

хоёртын регрессийг ашиглан параметрүүдийг тохируулахын тулд, Analyze►Regression►Binary логистикийн цэсийг ашиглана. Логик регрессийн боломжтой хувьсагчуудын хамааралтай хүчин зүйл нь зүүн жагсаалтанд сонгох. Тэд QL байна. Энэ хувьсагч нь хамааралтай талбайд байрлуулсан байх ёстой. Q 21, Q 22 aver - Үүний дараа, та сайт Covariates бие даасан хүчин төгөлдөр байх ёстой. Дараа нь та дүн шинжилгээ хийх нь тэднийг зэрэг арга замыг сонгох хэрэгтэй. 2-оос илүү бие даасан хүчин зүйл тоо алхам бүх хувьсагчдын анхдагчаар суулгагдаагүй байдаг нэгэн зэрэг захиргааны болон алхам аргыг хэрэглэж байгаа бол. Хамгийн алдартай арга таамнал гэж үзэж байна: LR. товчийг сонгоно ашиглан та бүх оролцогчдын судлах, зөвхөн тодорхой зорилтот ангилалд оруулж чадахгүй.

Категори хувьсагчийг тодорхойлох

хувьсагчийн нэг 2-оос дээш ангиллын тоо хэвийн үед категори товч тохиолдолд ашиглах хэрэгтэй. Энэ тохиолдолд л ийм сонголт байрлуулсан категори Covariates станц категори хувьсагчууд цонх тодорхойлно. Энэ жишээн дээр, ийм хувьсагч байхгүй байна. Тэр дусал доош жагсаалтын дараа зүйл нь Үндсэн хазайлт сонгож, өөрчлөлт товчин дээр дарна уу. Үүний үр дүнд хамааралтай хувьсагчдын зарим нэрлэсэн хүчин зүйл тус бүрийн бий болно. Тэдний тоо ангиллын анхны нөхцөлийн тоог харгалзана.

Шинэ хувьсагчийг хадгал

үндсэн судалгаанд Save товчийг ашиглах шинэ тохиргоог харилцах цонхыг бий болгох гэж байна. Тэд регрессийн явцад тооцоолсон тоо агуулж болно. Тухайлбал, энэ нь тодорхойлох хувьсагч үүсгэх боломжтой байдаг:

1. ангиллын тодорхой ангилалд (Groupmembership) хамаарах.
2. судалгааны бүлэг (магадлалыг) тус бүрийн оролцогчдыг ангилах магадлал.

Options товчийг судлаач ашиглаж байгаа үед ямар ч ач холбогдолтой боломж хүлээж байна. Иймээс энэ нь хэрэгсэхгүй байж болно. үндсэн цонхонд "OK" товчийг дарж дараа шинжилгээ хийх үр дүнг харуулах болно.

Ложистик регрессийн зохистой чанарын хяналтын

хүснэгт Omnibus Testsof Загвар коэффициент авч үзье. Энэ нь ойролцоогоор загварын чанарын шинжилгээний үр дүнг харуулна. Улмаас өсөн нэмэгдэх сонголт, та сүүлийн шатанд үр дүнг үзэх хэрэгтэй гэдгийг (Алхам 2) тогтоосон байна. ач холбогдол нь өндөр зэрэг (SIG-. <0,05) дараагийн шат руу шилжиж илэрсэн өсөлт Chi квадрат индекс нь эерэг үр дүнг авч үзэх болно. загвар чанарын загвар шугам тооцоо байна. Хэрэв та сөрөг утгыг авч, харин нийт өндөр материаллаг загвар, сүүлийн бараг ашиглах боломжтой гэж үзэж болно бол энэ нь чухал ач холбогдолтой гэж үзэж байгаа бол.

хүснэгт

Загвар хураангуй нийт тархалтын индекс, барьж загвар (Зураг R талбай) тайлбарлах нь тооцоог олгодог. Энэ нь үнэ цэнийг Nagelker хэрэглэхийг зөвлөж байна. Энэ нь 0.50-аас их бол эерэг үзүүлэлт, параметрийн Nagelkerke R талбай гэж үзэж болно. Тэр нь нэг буюу судалгааны өөр ангилалд хамаарах бодит үзүүлэлт регрессийн загварт таамаглаж буй харьцуулахад байна ангиллын үр дүнг үнэлэх дараа. Энэ зорилгоор хүснэгт Ангилал Хүснэгт нь. Энэ нь та тухайн бүлэг тус бүрийн ялгааг нь зөв талаар дүгнэлт хийх боломж олгодог. . Доорх хүснэгт нь энэ нь дүн шинжилгээ хийх, түүнчлэн стандартын бус хүчин зүйл нь логик регрессийн орж статистик ач холбогдолтой бие даасан хүчин зүйлсийг олох боломжтой болгодог. Эдгээр үзүүлэлтүүдийг үндэслэн тодорхой бүлэгт дээжин дэх хариуцагчийн бүрийн хамаарлыг урьдчилан болно. Шинэ хувьсагчуудыг Save товчийг ашиглан оруулж болно. Тэд тодорхой ангилал ангилал (Predictedcategory), эдгээр бүлэгт оруулах магадлал (таамагласан магадлал гишүүнчлэл) гишүүдийн талаарх мэдээллийг агуулсан болно. үндсэн цонхонд "OK" товчийг дарж дараа Multinomial логик регрессийн тооцоог үр дүн гарч ирнэ.

Эхний хүснэгт, судлаач чухал ач холбогдолтой үзүүлэлтүүдийг агуулдаг - загвар нь холбох мэдээлэл. статистикийн ач холбогдол нь өндөр түвшний практик асуудлыг шийдвэрлэхэд загвар ашиглах өндөр чанартай, тохиромжтой зааж болно. Өөр нэг чухал хүснэгт псевдо R-талбай юм. Энэ нь та хамааралтай хүчин, дүн шинжилгээ хийхээр сонгосон бие даасан хувьсагч учирсан бол нийт вариацын хувийг тооцох боломжийг олгодог. Хүснэгт Магадлал харьцаа Шалгалтад дагуу сүүлийн статистик ач холбогдлын талаар дүгнэлт болно. Параметр тооцоо стандартын бус коэффициентыг тусгадаг. Тэд тэгшитгэлийн барилгын салбарт ашиглаж байна. Үүнээс гадна, хувьсагчдын хослол бүрийн хувьд хамааралтай хүчин зүйл дээр тэдний нөлөөллийг статистикийн ач холбогдлыг тодорхойлно. Үүний зэрэгцээ, зах зээлийн судалгаа оролцогчдын ангиллыг тусад нь ялгах шаардлагатай олонтаа байдаг боловч зорилтот бүлгийн нэг хэсэг юм. Энэ зорилгоор хүснэгт Observedand таамагласан давтамж.

практик програм

шинжилгээний үзэж аргыг өргөн наймаачид ажилд ашиглаж байна. 1991 онд sigmoid ложистик регрессийн үзүүлэлт боловсруулсан байна. Тэр тэдний "хэт халалтын" магадлалтай үнийг урьдчилан таамаглахад ашиглаж болох нь хялбар ашиглах, үр ашигтай арга хэрэгсэл юм. Үзүүлэлт зэрэгцээ сунгах хоёр шугамаар байгуулагдсан сувгийн хэлбэрээр график дээр танилцуулсан байна. Тэд хандлага нь ижил зайг арилгасан. зурвасын өргөн хугацаанд дан ганц хамаарна. үнэт металлыг валютын хос нь - бараг бүх хөрөнгө ажиллаж байхдаа үзүүлэлт ашиглаж байна.

задаргаа болон буцаалтын: Практикт энэ нь багаж ашиглах 2 гол стратегийг боловсруулсан. Сүүлийн тохиолдолд худалдаачин суваг дотор үнийн өөрчлөлтийн динамик анхаарлаа хандуулах болно. -Нд энэ нь дэмжлэг үзүүлэх буюу эсэргүүцэл шугам ханш зардлыг арга зэрэг хөдөлгөөн нь эсрэг чиглэлд эхлэх магадлал байна. үнийн дээд хязгаар нягт тохиромжтой бол хөрөнгийн арилгаж болно. Энэ нь доод хязгаарт байгаа бол та худалдан авах тухай бодох хэрэгтэй. Стратегийн задаргаа баталгаа ашиглах явдал юм. Тэд харьцангуй богино зайн хязгаараас гадна суулгасан байна. зарим тохиолдолд үнэ нь богино хугацаанд тэдгээрийг зөрчсөн харгалзан, та аюулгүй тоглож, Stop-Loss тогтоох ёстой. Үүний зэрэгцээ, мэдээж үл хамааран сонгосон стратегийн coolly зах зээлд гарсан нөхцөл байдлыг дээд зэргээр ойлгож болон үнэлэх худалдаачин шаарддаг.

дүгнэлт

Тиймээс логик регрессийн ашиглах нь та хурдан, хялбар заасан үзүүлэлтийн дагуу ангилж оролцогчдыг ангилах боломжийг олгодог. тодорхой арга зам байж болох хэрэглээг дүн шинжилгээ хийх хэрэгтэй. Тухайлбал, янз бүрийн multinomial регрессийн олон талт. Гэсэн хэдий ч, мэргэжилтнүүд цогцолбор Дээр дурьдсан бүх арга хэрэглэхийг санал болгож байна. Энэ тохиолдолд загвар чанар ихээхэн өндөр байх болно гэдгийг холбоотой юм. Энэ нь эргээд, түүний хэрэглээний хүрээг өргөжүүлнэ.