Tabla Resumen del modelo para Ajustar modelo logístico binario

Encuentre definiciones y ayuda para interpretar cada estadístico incluido en la tabla Resumen del modelo.

R-cuad. de desviación

La desviación de R2 por lo general es considerada la proporción de la desviación en la variable de respuesta que el modelo explica.

Interpretación

Mientras más alta sea la desviación R2, mejor se ajustará el modelo a los datos. La desviación de R2 siempre se encuentra entre 0 y 100 %.

La desviación de R2 siempre se incrementa cuando agrega predictores adicionales a un modelo. Por ejemplo, el mejor modelo de 5 predictores siempre tendrá un R2 que sea al menos tan alto como el mejor modelo de 4 predictores. Por lo tanto, la desviación de R2 es más útil cuando se comparan modelos del mismo tamaño.

Un R2 de desviación es solo una medidad de hasta qué punto el modelo se ajusta a los datos. Incluso cuando un modelo tiene un R2 alto, debe revisar las gráficas de residuos y las pruebas de bondad de ajuste para evaluar hasta qué punto un modelo se ajusta a los datos.

Puede utilizar una gráfica de línea ajustada para ilustrar gráficamente diferentes valores del R2 de desviación. La primera gráfica ilustra un modelo que explica aproximadamente 96% de la desviación en la respuesta. La segunda gráfica ilustra un modelo que explica aproximadamente 60% de la desviación en la respuesta. Mientras mayor sea la desviación explicada por un modelo, más cerca de la curva estarán los puntos de los datos. Teóricamente, si un modelo pudiera explicar el 100% de la desviación, los valores ajustados siempre serían iguales a los valores observados y todos los puntos de los datos estarían sobre la curva.

El formatos de los datos afecta el valor de la desviación de R2. La desviación de R2 generalmente es mayor para los datos en formato Event/trial. Los valores de la desviación de R2 son comparables solamente entre modelos que usan el mismo formato de datos. Para obtener más información, vaya a Cómo los formatos de datos afectan la bondad de ajuste en regresión logística binaria.

R-cuad. (ajust.) de desviación

La desviación ajustada de R2 es la proporción de desviación en la respuesta que es explicada por el modelo, ajustado para el número de predictores en el modelo relativo al número de observaciones.

Interpretación

Utilice la desviación de R2 ajustado para comparar modelos que tengan diferentes números de predictores. La desviación de R2 siempre se incrementa cuando agrega un predictor al modelo. El valor de la desviación de R2 incorpora el número de predictores en el modelo para ayudarle a elegir el modelo correcto.

Por ejemplo, usted trabaja para una compañía de chips de patatas que examina los factores que afectan el número de chips desmenuzados. Usted obtiene los siguientes resultados a medida que agrega predictores:
Paso % Patata Tasa de enfriamiento Temp. de cocción R2 de desviación R2 de desviación ajustado Valor p
1 X     52% 51% 0.00
2 X X   63% 62% 0.00
3 X X X 65% 62% 0.00

El primer paso produce un modelo de regresión estadísticamente significativo. El segundo paso, que agrega la tasa de enfriamiento al modelo, aumenta el R2 de desviación ajustado, lo que indica que la tasa de enfriamiento mejora el modelo. El tercer paso, que agrega la temperatura de cocción al modelo, aumenta el R2 de desviación, pero no el R2 de desviación ajustado. Estos resultados indican que la temperatura de cocción no mejora el modelo. Con base en estos resultados, usted considera eliminar la temperatura de cocción del modelo.

Para la regresión logística binaria, el formato de los datos afecta el valor del R2 de desviación ajustado. Para los mismos datos, el R2 de desviación ajustado por lo general es más alto cuando los datos se encuentran en el formato Evento/Ensayo que cuando están en el formato Respuesta binaria/Frecuencia. Utilice el R2 de desviación ajustado solo para comparar el ajuste de modelos que tengan el mismo formato de datos. Para obtener más información, vaya a Cómo los formatos de datos afectan la bondad de ajuste en regresión logística binaria.

AIC

El criterio de información de Akaike es una medida de la calidad relativa de un modelo que explica el ajuste y el número de términos en el modelo. El estadístico no tiene interpretación sin un valor de comparación.

Interpretación

Utilice el criterio AIC para comparar modelos diferentes. Mientras menor sea el criterio AIC, mejor se ajustará el modelo a los datos. Sin embargo, el modelo con el criterio AIC más pequeño para un conjunto de predictores no necesariamente ajusta los datos adecuadamente. Utilice también las pruebas de bondad de ajuste y las gráficas de residuos para evaluar hasta qué punto un modelo se ajusta a los datos.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política