Interprete los resultados clave para Ajustar modelo logístico binarioy Regresión logística binaria

Para obtener más información, vaya a Odds ratios para Ajustar modelo logístico binarioy Regresión logística binaria.

Para determinar qué tan bien se ajusta el modelo a los datos, examine los estadísticos de la tabla Resumen del modelo.

Muchos de los estadísticos de resumen del modelo y de bondad de ajuste se ven afectados por cómo están ordenados los datos en la hoja de trabajo y si hay una prueba por fila o múltiples pruebas por fila. La prueba de Hosmer-Lemeshow no se ve afectada por el formato de los datos y es comparable entre formatos. Para obtener más información, vaya a Cómo los formatos de datos afectan la bondad de ajuste en regresión logística binaria.

R-cuad. de desviación

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

el R² de desviación 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, el R² de desviación es más útil cuando se comparan modelos del mismo tamaño.

Para la regresión logística binaria, el formato de los datos afecta el valor el R² de desviación. el R² de desviación generalmente es mayor para los datos en formato Evento/Ensayo. Los valores de R² de desviación son comparables solamente entre modelos que utilizan el mismo formato de datos.

Los estadísticos de bondad de ajuste son simplemente una medida de qué tan bien se ajusta el modelo a los datos. Incluso cuando un modelo tenga un valor deseable, usted deberá revisar las gráficas de residuos y las pruebas de bondad de ajuste para evaluar qué tan bien se ajusta un modelo a los datos.

R-cuad. (ajust.) de desviación

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

AIC, AICc y BIC

Utilice el AIC, el AICc y el BIC para comparar diferentes modelos. Para cada estadístico, se prefieren valores más pequeños. Sin embargo, el modelo con el valor 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.

Área bajo la curva ROC

El área bajo los valores de la curva ROC oscila entre 0.5 y 1. Cuando el modelo binario puede separar perfectamente las clases, entonces el área debajo de la curva es 1. Cuando el modelo binario no puede separar las clases mejor que una asignación aleatoria, el área debajo de la curva es 0.5.

Si la desviación es estadísticamente significativa, usted puede probar con una función de enlace diferente o cambiar los términos incluidos en el modelo.

Para la regresión logística binaria, el formato los datos afecta el valor p debido a que cambia el número de ensayos por fila.

• Desviación: El valor p de la prueba de desviación tiende a ser menor para los datos que están en el formato de Frecuencia/Respuesta Binaria en comparación con los datos en el formato Event/Trial. Para los datos en el formato de Frecuencia/Respuesta Binaria, los resultados en formato Hosmer-Lemeshow son más confiables.
• Pearson: La aproximación a la distribución de chi-cuadrada que la prueba de Pearson utiliza resulta inexacta cuando el número de eventos esperados por fila en los datos es pequeño. De esta forma, la prueba de Pearson de bondad de ajuste resulta inexacta cuando los datos están en formato de Frecuencia/Respuesta Binaria.
• Hosmer-Lemeshow: La prueba de Hosmer-Lemeshow no depende del número de ensayos por fila en los datos como lo hacen las otras pruebas de bondad de ajuste.Cuando los datos tienen pocos ensayos por fila, la prueba de Hosmer-Lemeshow es un indicador más confiable de hasta qué punto el modelo se ajusta a los datos.