Seleccionar las opciones para Ajustar modelo logístico binario

Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico binario > Opciones

Ponderaciones

En Ponderaciones, ingrese una columna numérica de ponderaciones para realizar la regresión ponderada. Las ponderaciones deben ser mayores que o iguales a cero. La columna de ponderaciones debe tener el mismo número de filas que la columna de respuesta. Para obtener más información sobre cómo determinar la ponderación adecuada, vaya a Regresión ponderada.

Nivel de confianza para todos los intervalos

Ingrese el nivel de confianza para los intervalos de confianza de los coeficientes y los valores ajustados. Si usted utiliza la función de enlace logit, este nivel de confianza también es el nivel de confianza para los intervalos de confianza de las relaciones de probabilidades.

Por lo general, un nivel de confianza de 95% funciona adecuadamente. Un nivel de confianza de 95 % indica que si se tomaron 100 muestras aleatorias de la población, los intervalos de confianza para aproximadamente 95 de las muestras incluirían el parámetro que es estimado por el intervalo. Para un conjunto determinado de datos, un nivel de confianza más bajo produce un intervalo más estrecho y un nivel de confianza más alto produce un intervalo más amplio.

Nota

Para mostrar los intervalos de confianza de los coeficientes y los valores ajustados, debe ir al cuadro de diálogo secundario Resultados y en Presentación de resultados, seleccione Tablas expandidas.

Tipo de intervalo de confianza

Usted puede seleccionar un intervalo bilateral o un límite unilateral. Para el mismo nivel de confianza, un límite está más cerca de la estimación de punto que el intervalo. El límite superior no proporciona un valor inferior probable. El límite inferior no proporciona un valor superior probable.
Bilateral
  • Utilice un intervalo de confianza bilateral para estimar valores probables tanto inferiores como superiores para la probabilidad del evento.
Límite inferior
  • Utilice un límite de confianza inferior para estimar un valor probable más bajo para la probabilidad del evento.
Límite superior
  • Utilice un límite de confianza superior para estimar un valor probable más alto para la probabilidad del evento.

Residuos para diagnósticos

Los residuos de desviación y de Pearson ayudan a identificar patrones en las gráficas de residuos y valores atípicos. Las observaciones a las que el modelo no se ajusta adecuadamente tienen residuos de desviación y de Pearson altos. Minitab calcula los valores de los residuos para cada patrón distinto de factor/covariable.
  • Desviación: Los residuos de desviación son una medida de qué tan bien el modelo predice la observación. Los residuos de desviación se suelen preferir para una regresión logística que utiliza la función de enlace logit, porque la distribución de los residuos es más parecida a la distribución de los residuos de los modelos de mínimos cuadrados. La función de enlace logit es la función de enlace más común.
  • Pearson: Los residuos de Pearson también son una medida de qué tan bien el modelo predice la observación. Un enfoque común para identificar valores atípicos es graficar los residuos de Pearson según el orden de las observaciones en la hoja de trabajo.

Desviaciones para pruebas

Seleccione una desviación para calcular los valores de chi-cuadrada y los valores p. Lo más común es usar la desviación ajustada. Utilice la desviación secuencial para determinar la significancia de los términos según el orden en que ingresan al modelo.
  • Ajustado (tipo III): Mide la reducción en la desviación para cada término con respecto a un modelo que contiene todos los términos restantes.
  • Secuencial (tipo I): Mide la reducción en la desviación cuando un término se agrega a un modelo que solo contiene los que términos que van antes de él.

Número de grupos para prueba de Hosmer-Lemeshow

Ingrese el número de grupos para la prueba de Hosmer-Lemeshow. Si usted deja este valor en blanco, Minitab intenta crear 10 grupos de igual tamaño. Diez grupos funcionan adecuadamente para la mayoría de los conjuntos de datos.

La prueba de Hosmer-Lemeshow es una prueba de bondad de ajuste que evalúa el ajuste del modelo al comparar las frecuencias observadas y esperadas. La prueba divide los datos en grupos por sus probabilidades estimadas desde la más baja hasta la más alta y luego realiza una prueba de chi-cuadrada para determinar si las frecuencias observadas y esperadas son significativamente diferentes. Si el número de patrones únicos de factores/covariables es pequeño o grande, convendría cambiar el número de grupos. Por ejemplo, usted puede usar menos grupos para aumentar los valores esperados dentro de los grupos. Alternativamente, puede usar más grupos para ver mayores detalles en la comparación de los valores observados y esperados. Hosmer y Lemeshow sugieren usar un mínimo de 6 grupos1.

1 D.W. Hosmer y S. Lemeshow (2000). Applied Logistic Regression. 2nd ed. John Wiley & Sons, Inc.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política