Ajuster le modèle logistique binaire et Regressão Logística Binária effectuer la même analyse à partir de différents menus. Pour vous assurer que vos résultats sont valides, tenez compte des instructions suivantes lorsque vous collectez des données, effectuez l’analyse et interprétez vos résultats.
Une variable continue peut être mesurée et ordonnée, et a un nombre infini de valeurs entre deux valeurs quelconques. Par exemple, le diamètre d’un échantillon de pneus est une variable continue.
Les variables catégorielles contiennent un nombre fini et dénombrable de catégories ou de groupes distincts. Les données catégorielles peuvent ne pas avoir d’ordre logique. Par exemple, les prédicteurs catégoriels incluent le sexe, le type de matériau et le mode de paiement.
Si vous avez une variable discrète, vous pouvez décider de la traiter comme un prédicteur continu ou catégoriel. Une variable discrète peut être mesurée et ordonnée, mais elle a un nombre dénombrable de valeurs. Par exemple, le nombre de personnes qui vivent dans un ménage est une variable discrète. La décision de traiter une variable discrète comme continue ou catégorique dépend du nombre de niveaux, ainsi que de l’objectif de l’analyse. Pour plus d’informations, consultez la page Que sont des variables de catégorie, discrètes et continues ?.
Si vous avez des prédicteurs catégoriels imbriqués ou aléatoires, utilisez Ajuster le modèle linéaire général si vous avez tous les facteurs fixes ou Ajuster le modèle à effets mixtes si vous avez des facteurs aléatoires. Pour Ajuster le modèle linéaire général, la réponse est continue.
Si la multicolinéarité est sévère, il se peut que vous ne puissiez pas déterminer les prédicteurs à inclure dans le modèle. Pour déterminer la gravité de la multicolinéarité, utilisez les facteurs d’inflation de variance (VIF) dans le tableau des coefficients de la sortie.
Si le modèle ne s’adapte pas aux données, les résultats peuvent être trompeurs. Dans la sortie, utilisez les tracés résiduels, les statistiques de diagnostic pour les observations inhabituelles et les statistiques récapitulatives du modèle pour déterminer dans quelle mesure le modèle s’ajuste aux données.