Usando SPSS para el análisis de regresión logística, ¿qué pueden mostrar los resultados?

Análisis de regresión logística, ¿qué pueden mostrar los resultados?

La regresión logit ordenada se utiliza para enumerar.

La regresión Logit (Logística) Ordenada Y está clasificada y ordenada, y las categorías suelen ser pequeñas, como entre 3 y 8.

Por ejemplo, actualmente hay datos de una investigación que se utilizan para estudiar los factores que afectan la felicidad de las personas, incluidos el género, la edad, la educación y el nivel de ingresos anual *** cuatro factores potenciales que influyen en el nivel de felicidad. El nivel de felicidad está representado por tres elementos, a saber, "infeliz, relativamente feliz y muy feliz". Dado que Y son datos categóricos y ordenados, es adecuado para el análisis de regresión logit ordenada.

SPSSAU funciona de la siguiente manera:

SPSSAU*** genera cinco tablas, a saber, tabla de estadísticas de distribución de frecuencia de variable dependiente, tabla de prueba de paralelismo, tabla de prueba de relación de probabilidad del modelo y tabla de resultados del análisis del modelo de regresión. y tabla de precisión de predicción del modelo de regresión.

La primera tabla muestra la distribución de cada categoría de la variable dependiente. Si la distribución de categorías de la variable dependiente está muy dispersa, es necesario reagrupar y analizar las categorías nuevamente. Al mismo tiempo, si el número de categorías de la variable dependiente es muy grande, es necesario reorganizar las categorías antes de poder realizar el análisis.

La segunda tabla muestra la prueba de paralelismo del modelo. La hipótesis nula de la prueba es que el modelo satisface el paralelismo. Por tanto, si el valor de p? hipótesis nula, es decir, cumple la prueba de paralelismo. Por otro lado, si el valor de p? es menor que 0.05, significa que el modelo rechaza la hipótesis nula y el modelo no satisface la prueba de paralelismo. El paralelismo es un requisito previo para la regresión logit ordenada. Si no se cumple el paralelismo, SPSSAU recomienda utilizar un modelo de regresión logit de clasificación múltiple.

La tercera tabla muestra los resultados de la prueba de razón de verosimilitud del modelo. La hipótesis nula es que todos los coeficientes de regresión del modelo son 0. Por lo tanto, si el valor de p? se rechaza la hipótesis nula, lo que significa que el modelo es efectivo; por el contrario, si el valor de p? es mayor que 0.05, significa que se acepta la hipótesis nula, es decir, todos los coeficientes de regresión del modelo deben ser 0, y el modelo no tiene sentido. Al mismo tiempo, la tabla anterior también enumera los valores AIC y BIC del Criterio de información de Akaike si ha realizado múltiples análisis de modelos (por ejemplo, cuando cambia el número de variables independientes del modelo), y luego. Si necesita comparar las ventajas y desventajas del modelo, puede utilizar estos dos indicadores para el análisis. Cuanto menor sea el valor de estos dos indicadores, mejor, no existe un estándar de rango fijo.

La cuarta tabla muestra los resultados del modelo, incluida la importancia del coeficiente de regresión, el valor R?2 del modelo, etc. La tabla anterior incluye el umbral de la variable dependiente, cuyo valor básicamente no tiene sentido y solo se genera desde un punto de vista matemático.

La quinta tabla muestra la precisión de la predicción del modelo, incluida la precisión de la predicción de cada categoría y la precisión de la predicción general. Si el modelo se utiliza para análisis predictivo, la precisión de la predicción es muy importante; si el modelo se utiliza para estudiar relaciones de influencia, el valor de precisión de la predicción es menos preocupante. Por lo general, el tamaño de la muestra es pequeño y la precisión de la predicción es muy baja. Sin embargo, el propósito de la mayoría de los estudios empíricos es estudiar la relación de influencia, por lo que la precisión de la predicción es menos preocupante.