Как выполнить логистическую регрессию в SPSS
Логистическая регрессия — это метод, который мы используем для подбора регрессионной модели, когда переменная ответа является бинарной.
В этом руководстве объясняется, как выполнить логистическую регрессию в SPSS.
Пример: логистическая регрессия в SPSS
Используйте следующие шаги, чтобы выполнить логистическую регрессию в SPSS для набора данных, который показывает, попадали ли баскетболисты из колледжа в НБА (драфт: 0 = нет, 1 = да) на основе их среднего количества очков за игру и уровня дивизиона.
Шаг 1: Введите данные.
Сначала введите следующие данные:
Шаг 2: Выполните логистическую регрессию.
Перейдите на вкладку « Анализ », затем « Регрессия », затем « Бинарная логистическая регрессия »:
В новом всплывающем окне перетащите проект переменной двоичного ответа в поле с надписью Зависимая. Затем перетащите две точки переменных-предикторов и разделите их в поле с надписью Блок 1 из 1. Оставьте для параметра Метод значение Ввод. Затем нажмите ОК .
Шаг 3. Интерпретируйте вывод.
Как только вы нажмете OK , появится результат логистической регрессии:
Вот как интерпретировать вывод:
Резюме модели: наиболее полезным показателем в этой таблице является R-квадрат Нагелькерке, который сообщает нам процентную долю вариации переменной отклика , которая может быть объяснена переменными-предикторами. В этом случае баллы и деление могут объяснить 72,5% изменчивости осадки.
Таблица классификации: наиболее полезным показателем в этой таблице является общий процент, который сообщает нам процент наблюдений, которые модель смогла правильно классифицировать. В этом случае модель логистической регрессии смогла правильно предсказать результат драфта 85,7% игроков.
Переменные в уравнении: эта последняя таблица предоставляет нам несколько полезных показателей, в том числе:
- Вальд: Статистика теста Вальда для каждой переменной-предиктора, которая используется для определения того, является ли каждая переменная-предиктор статистически значимой.
- Sig: p-значение, соответствующее статистике теста Вальда для каждой переменной-предиктора. Мы видим, что значение p для точек равно 0,039, а значение p для деления равно 0,557.
- Exp(B): отношение шансов для каждой переменной-предиктора. Это говорит нам об изменении шансов на то, что игрок будет выбран на драфте, связанном с увеличением на одну единицу данной предикторной переменной. Например, вероятность того, что игрок из 2-го дивизиона будет выбран на драфте, составляет всего 0,339 от вероятности того, что игрок из 1-го дивизиона будет выбран на драфте. Точно так же каждая дополнительная единица увеличения очков за игру связана с увеличением на 1,319 шансов игрока быть задрафтованным.
Затем мы можем использовать коэффициенты (значения в столбце с пометкой B), чтобы предсказать вероятность того, что данный игрок будет выбран на драфте, используя следующую формулу:
Вероятность = e -3,152 + 0,277 (балла) - 1,082 (деление) / (1 + e -3,152 + 0,277 (балла) - 1,082 (деление) )
Например, вероятность того, что игрок, который в среднем набирает 20 очков за игру и играет в дивизионе 1, будет выбран на драфте, может быть рассчитана как:
Вероятность = e -3,152 + 0,277(20) – 1,082(1) / (1+e -3,152 + 0,277(20) – 1,082(1) ) = 0,787 .
Поскольку эта вероятность больше 0,5, можно предположить, что этот игрок будет выбран на драфте.
Шаг 4. Сообщите о результатах.
Наконец, мы хотим сообщить о результатах нашей логистической регрессии. Вот пример того, как это сделать:
Была проведена логистическая регрессия, чтобы определить, как количество очков за игру и уровень дивизиона влияют на вероятность того, что баскетболист будет выбран на драфте. Всего в анализе участвовало 14 игроков.
Модель объяснила 72,5% вариаций в черновом результате и правильно классифицировала 85,7% случаев.
Шансы на то, что игрок из 2-го дивизиона будет выбран на драфте, составляли всего 0,339 шансов на то, что игрок из 1-го дивизиона будет выбран на драфте.
Каждая дополнительная единица увеличения очков за игру была связана с увеличением на 1,319 шансов игрока быть задрафтованным.