Interprétation des résultats principaux pour la fonction Régression logistique ordinale

Pour un facteur de catégorie avec plus de 2 niveaux, l'hypothèse pour le coefficient consiste à déterminer si le niveau du facteur est différent du niveau de référence pour le facteur. Pour évaluer la signification statistique du facteur, utilisez le test pour les termes avec plusieurs degrés de liberté. Pour plus d'informations sur la méthode d'affichage de ce test, reportez-vous à Sélectionner les résultats à afficher pour la fonction Régression logistique ordinale.

Pour déterminer le degré d'ajustement du modèle aux données, examinez le log de vraisemblance et les mesures d'association. Des valeurs élevées de log de vraisemblance indiquent un meilleur ajustement aux données. Les valeurs de log de vraisemblance étant négatives, plus elles sont proches de zéro, plus la valeur est élevée. Le log de vraisemblance dépend des données d'échantillon ; vous ne pouvez donc pas l'utiliser pour comparer des modèles issus de différents fichiers de données.

Le log de vraisemblance ne peut pas diminuer lorsque vous ajoutez des termes à un modèle. Par exemple, un modèle avec 5 termes a un log de vraisemblance plus élevé que les modèles à 4 termes que vous pouvez créer avec les mêmes termes. Par conséquent, le log de vraisemblance est plus utile lorsque vous comparez des modèles de même taille. Pour prendre une décision concernant des termes individuels, observez les valeurs de p du terme dans les différentes fonctions logit.

Des valeurs plus grandes pour le D de Somers, le gamma de Goodman-Kruskal et le tau a de Kendall indiquent que le modèle a une meilleure capacité de prévision. Le D de Somer et le gamma de Goodman-Kurskal peuvent être compris entre -1 et 1, et le tau a de Kendall entre -2/3 et 2/3. Les valeurs proches du maximum indiquent que la capacité de prévision du modèle est appropriée. Les valeurs proches de 0 indiquent que le modèle n'a pas de relation de prévision avec la réponse. Dans la pratique, les valeurs négatives sont rares, car elles traduisent des performances encore plus médiocres que l'absence de relation entre le modèle et la réponse.

Dans le deuxième ensemble de résultats, les prédicteurs sont la distance et le carré de la distance. Vous ne pouvez pas utiliser le log de vraisemblance pour comparer ces modèles, car ils ne contiennent pas le même nombre de termes. Les mesures d'association sont supérieures pour le deuxième modèle, qui fonctionne donc mieux que le premier.