Loģistikas regresijas: modeļi un metodes

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. Loģistiskās regresijas un diskriminantanalīze tiek izmantoti, kad tas ir nepieciešams skaidri nošķirt respondenti mērķa kategorijas. Bez tam, šīs grupas ir a single vienfaktora parametru līmeņi. а также выясним, для чего она нужна. Apsveriet Sīkāka informācija loģistikas regresijas modeli, kā arī uzzināt, kas tas bija.

Pārskats

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. Piemērs problēmas, jo risinājums, kas tiek izmantots loģistisko regresiju, var būt klasifikācija respondentu ar grupas pirkšanu un nepērkat sinepes. Diferenciācija tiek veikta saskaņā ar sociāli demogrāfiskajiem raksturlielumiem. Tie ietver, jo īpaši, ir vecums, dzimums, ģimenes locekļu skaitu, ienākumus un tā tālāk. Ir kritēriji, lai atšķirtu un mainīgais darbībā. Pēdējais kodē mērķa kategoriju, kas, patiesībā, ir nepieciešams sadalīt respondentus.

nianses

, значительно уже, чем для дискриминантного анализа. Jāsaka, ka virkne gadījumu, kuros piemēroti regresiju loģistikas, ir daudz šaurāks diskriminanta analīze. Šajā sakarā tiek uzskatīts izmantošana tā kā universālu metodi diferenciāciju vairāk preferred. Bez tam, eksperti iesaka sākt ar klasifikāciju studiju diferencēto analīzi. Un tikai gadījumā, neskaidrību par rezultātiem, var izmantot loģistisko regresiju. Šī nepieciešamība izraisa vairāki faktori. используется при наличии четкого представления о типе независимых и зависимых переменных. Loģistiskās regresijas tiek izmantots, ja ir skaidra ideja par neatkarīgu un atkarīgo mainīgo tipu. Attiecīgi, izvēlētais viens no 3 iespējamo procedūrām. Kad diskriminantanalīze, pētnieks vienmēr nodarbojas ar statisko darbību. Tas iesaistīts viens atkarīgās un vairākas neatkarīgas kategoriskus mainīgos ar atzīmi no jebkura veida.

veidi

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. Mērķis statistikas pētījumi, kas izmanto loģistiskās regresijas, ir noteikt iespēju, ka konkrētais respondents tiks piešķirts konkrētai grupai. Diferenciācija tiek veikta saskaņā ar noteiktiem parametriem. Praksē, saskaņā ar vērtībām viena vai vairāku neatkarīgo faktoru var iedalīt divās grupās respondentu. . Šajā gadījumā ir bināro loģistiskās regresijas. Arī norādītie parametri var tikt izmantoti piešķiršanu grupai ir lielāks par diviem. Šādā situācijā ir MULTINOMIAL loģistikas regresija. Iegūtais grupa, kas izteikts līmeņus jebkuru vienu mainīgo.

piemērs

Pieņemsim, ka respondentu atbildes uz jautājumu par to, vai viņi ir ieinteresēti piedāvājumu iegādāties zemi priekšpilsētā Maskavas. Šajā gadījumā, iespējas ir "nē" un "jā". Mums ir nepieciešams, lai uzzinātu, kādi faktori ir noteicoša ietekme uz lēmumu par potenciālajiem pircējiem. Šim respondenta jautājumi tiek uzdoti jautājumi par infrastruktūras teritorijas, attālums līdz galvaspilsētas, zemes platība, klātbūtne / neesamību dzīvojamo ēku, un tā tālāk. Izmantojot bināro regresiju, var sadalīt divās grupās respondentu. Pirmais būs tiem, kuri ir ieinteresēti iegādāties - potenciālajiem pircējiem, un otrs, attiecīgi, tie, kuri nav ieinteresēti šādu piedāvājumu. Katram respondentam, turklāt tas tiks aprēķināts varbūtību norīkojumā vienas kategorijas vai citu.

Salīdzinošie raksturojums

Atšķirībā no diviem iemiesojumu iepriekš sastāv citā skaitu un grupu atkarīgo un neatkarīgo mainīgo veida. Binārā regresiju, piemēram, pētīja atkarības dihotoms koeficientu no viena vai vairākiem neatkarīgiem apstākļiem. Šajā gadījumā, tā var būt jebkāda veida mērogā. MULTINOMIAL regresijas tiek uzskatīta par sava veida versijas klasifikāciju. Tas attiecas uz atkarīgā mainīgā par vairāk nekā 2 grupās. Neatkarīgie faktori ir jābūt vai nu kārtas vai nominālo skalu.

Logistic Regresijas SPSS

Statistikas pakete 11-12, ieviesa jaunu versiju analīzes - secību. Šī metode tiek izmantota, ja tā ir atkarīga faktors ir saistīts ar tādu pašu nosaukumu (kārtas) skalas. Tādā gadījumā neatkarīgie mainīgie izvēlas vienu konkrētu veidu. Tiem jābūt vai nu kārtas vai nomināla. Klasifikācija vairākās kategorijās, tiek uzskatīta par visvairāk universāls. Šo metodi var izmantot visās pētījumiem, kas izmantoti loģistisko regresiju. , однако, можно только с помощью всех трех приемов. Uzlabot modeļa kvalitāti, tomēr ir iespējams, tikai izmantojot visas trīs metodes.

kārtas klasifikācija

Ir teikts, ka agrāk statistikas paketē netika sniegta iespēja veikt tipisks specializētu analīzi atkarīgo faktoru ar kārtas mērogā. Attiecībā uz visiem mainīgajiem, ar grupu skaitu par vairāk nekā 2 lietots MULTINOMIAL iespēju. Ieviesa salīdzinoši nesen secības analīzi, ir vairākas funkcijas. Viņi ņem vērā specifiku skalas to. часто не рассматривается как отдельный прием. Tikmēr metodikas rokasgrāmatās kārtas loģistiskās regresijas bieži netiek uzskatīts par atsevišķu reģistratūru. Iemesls ir šāds: sērijveida analīze nav nekādas būtiskas priekšrocības salīdzinājumā MULTINOMIAL. Pētnieks var arī izmantot tā klātbūtnē un kārtas, un nominālo atkarīgā mainīgā. To darot, klasificēšanas process ir gandrīz neatšķiras viens no otra. Tas nozīmē, ka saimniecība rīkojums analīze neradīs nekādas problēmas.

analīze opcijas

Aplūkosim vienkāršu lietu - binārā regresiju. Piemēram, procesā mārketinga pētījumu lēsts pieprasījuma absolventu noteiktu metropoles universitātes. Aptaujā respondentiem tika uzdoti jautājumi, tai skaitā:

1. Vai tu strādā? (Ql).
2. Precizēt gadu graduation (q 21).
3. Kāds ir vidējais rezultāts no kontaktligzdas (aver).
4. Dzimums (Q22).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. Logistic regresija novērtēt ietekmi neatkarīgu faktoru Aver, q 21 un q 22 ar mainīgu QL. Vienkārši sakot, mērķis analīzes ir noteikt iespējamo absolventu nodarbinātību, pamatojoties uz informāciju par lauka, gada beigās, un vidējo rezultātu.

Logistic Regresijas

Lai iestatītu parametrus, izmantojot bināro regresiju, izmantojiet Analyze►Regression►Binary Logistic izvēlni. Jo loģistiskās regresijas izvēlēties kreisajā sarakstā pieejamo mainīgo atkarīgo faktoru. Tie ir QL. Šis mainīgais jānovieto uz atkarīgo laukā. Pēc tam, jums ir jāievada vietni kovariantu neatkarīgus faktorus - q 21, q 22, aver. Tad jums ir nepieciešams, lai izvēlētos veidu, iekļaujot tās analīzē. Ja skaits neatkarīgo faktoru vairāk nekā 2, neizmantojiet metodi vienlaicīgu visu mainīgajiem, kas tiek instalēta pēc noklusējuma, un soli pa solim. Populārākais veids, kā tiek uzskatīts, Retrospektīvie: LR. Izmantojot pogas Atlasīt, jūs nevarat iekļaut pētījumu par visiem respondentiem, un tikai īpaša mērķa kategorijām.

Definēt Kategorisks mainīgo

Kategorisks pogu, lai izmantotu gadījumā, ja viens no faktoriem, kas novērtēja skaita vairāk nekā 2 kategorijās. Šādā situācijā, Definēt Kategorisks mainīgie logs kategoriska kovariantu mezgls ir novietots tieši šāda iespēja. Šajā piemērā, šāds mainīgais trūkst. Pēc tam nolaižamajā sarakstā atlasiet vienumu Kontrasts novirze, un noklikšķiniet uz pogas Mainīt. Tā rezultātā, daži no atkarīgo mainīgo, tiks iegūti no katras nominālo koeficientu. To skaits atbilst skaitam sākotnējiem noteikumiem par kategoriju.

Saglabāt jauno mainīgo

Izmantojiet pogu Saglabāt galvenajā pētījumā ir noteikts, lai radītu jaunas iestatījumu dialoglodziņu. Tie satur skaitu, kas aprēķināts procesā regresiju. Jo īpaši, tas ir iespējams izveidot mainīgie, kas nosaka:

1. Piederība konkrētai kategorijai klasifikācijas (Groupmembership).
2. Par klasificējot respondentus katrā mācību grupā (varbūtības) varbūtību.

Ja, lietojot opciju pogas pētnieks nesaņem nekādas nozīmīgas iespējas. Tādējādi to var ignorēt. Pēc nospiežot "OK" pogu galvenajā logā tiks parādīts analīžu rezultātus.

Kvalitātes kontrole loģiskās regresijas pietiekamību

Apsveriet tabulas Omnibusa Testsof modeļa koeficientus. Tas parāda par analīzes tuvināšanas modeļa kvalitātes rezultātus. Sakarā ar to, ka papildu iespēja, jums ir nepieciešams skatīties no pēdējā posma rezultātiem (Step2) ir iestatīta. Vai var uzskatīt par pozitīvu rezultātu, kurā konstatēts pieaugums Chi-kvadrāta indekss pāreju uz nākamo soli uz augstu nozīmīguma (Sig. <0,05). Modeļa kvalitāte tiek novērtēta Model līniju. Ja jums ir negatīva vērtība, bet tā nav uzskatāma par nozīmīgu, ja vispārējais augstais materialitāte modelis, pēdējā var uzskatīt par praktiski lietojams.

galdi

Modeļa kopsavilkums sniedz aplēsi par kopējo dispersijas indekss, kas raksturo salikto modeli (skaitlis R laukums). Ieteicams pielietot vērtību Nagelker. Pozitīvs rādītājs var uzskatīt kā parametrs Nagelkerke R Square, ja tas ir lielāks par 0,50. Pēc tam izvērtēja klasifikācijas, kurā, salīdzinot faktiskie rādītāji, kas pieder vienai vai cita pētījuma kategoriju ar tiem prognozēja regresijas modeļa rezultātus. Šim nolūkam galda klasifikācija tabulā. Tas arī ļauj izdarīt secinājumus par tās pareizību diferenciāciju par katru no attiecīgās grupas. . Tabulā ļauj atrast statistiski nozīmīgas neatkarīgus faktorus ievadīti analīzi, kā arī nestandarta faktora loģistikas regresiju. Pamatojoties uz šiem rādītājiem, var prognozēt piederību katra respondenta izlasē konkrētai grupai. Jaunas mainīgie var ievadīt, izmantojot pogu Saglabāt. Tie ietver informāciju par to piederību konkrētai klasifikācijas kategorijas (Predictedcategory) un varbūtību iekļaušanu šajās grupās (Paredzamā varbūtības biedru). Pēc nospiežot "OK" pogu galvenajā logā parādīsies MULTINOMIAL Logistic regresijas aprēķinu rezultātus.

Pirmajā tabulā, kas satur svarīgus rādītājus pētnieks, - modelis Fitting informācija. Augsts statistiskā nozīmīguma līmenis būs norāda uz augstu kvalitāti un izmantošanas modeļu piemērotību risināt praktiskas problēmas. Vēl viens svarīgs tabula ir Pseido R-Square. Tas ļauj novērtēt proporciju no kopējās dispersijas ar atkarīgo faktoru, kas izraisa neatkarīgo mainīgo izvēlēti analīzei. Saskaņā ar tabulu iespējamība Ratio testi var izdarīt secinājumus par statistisko nozīmīgumu tā. Parametru novērtējumi atspoguļo nestandarta koeficientus. Tos izmanto būvniecībā vienādojuma. Turklāt, par katru mainīgo kombināciju nosaka statistisko nozīmību to ietekmi uz atkarīgo faktoru. Tikmēr tirgus izpēte bieži ir nepieciešams diferencēt respondentu kategorijām nevis atsevišķi, bet gan kā daļu no mērķa grupas. Šim nolūkam galda Observedand Paredzamie frekvences.

praktiska piemērošana

Uzskatīts analīzes metode tiek plaši izmantota darbā tirgotāju. 1991. gadā tika izstrādāts sigmoid loģistikas regresijas indikators. Viņš ir viegli lietojams un efektīvs līdzeklis, ko var izmantot, lai prognozētu iespējamās cenas to "pārkaršanu". Indikators tiek parādīti diagrammā veidā kanālu ar divām līnijām, kas plešas paralēli veidojas. Tās noņem vienādu attālumu no tendenci. No koridora platums būs atkarīgs tikai un vienīgi no laika posmā. Indikators tiek izmantota, strādājot ar gandrīz visiem aktīva - no valūtu pāru dārgmetāliem.

Praksē tas ražots 2 galvenās stratēģijas izmantošanas instrumentu: sadalījumu un maiņu. Pēdējā gadījumā tirgotājs koncentrēsies uz dinamiku cenu izmaiņas kanālu. Uz ir iespējamība, ka kustība sākas pretējā virzienā, jo tas pieejas izmaksas atbalsta vai pretestības līnijas likmi. Ja cena ir cieši piemērots līdz augšējai robežai, tad aktīvs var tikt izslēgti. Ja tas ir apakšējā robeža, jums vajadzētu domāt par iegādi. Stratēģija sadalījums ietver izmantošanu garantijas. Tie ir uzstādīti ārpus robežām par salīdzinoši nelielu attālumu. Ņemot vērā to, ka cena, atsevišķos gadījumos pārkāpj tos uz īsu laiku, jums vajadzētu spēlēt droši un noteikt stop-loss. Tajā pašā laikā, protams, neatkarīgi no izvēlētās stratēģijas gadījumā tirgotājam, lai palielinātu vēsi uztvert un novērtēt situāciju, kas radusies tirgū.

secinājums

Tādējādi, izmantojot loģistikas regresijas ļauj ātri un viegli kategorizēt respondenti kategorijās saskaņā ar noteiktajiem parametriem. Analizējot iespējamo izmantošanu noteiktā veidā. Jo īpaši daudzpusība dažādu MULTINOMIAL regresiju. Tomēr speciālisti iesaka izmantot visas iepriekš aprakstītajām metodēm kompleksā. Tas ir saistīts ar to, ka šajā gadījumā modeļa kvalitāte būs ievērojami lielāks. Tas, savukārt, paplašināt diapazonu tās piemērošanu.