2値適合線プロットのモデル要約統計量

解釈

逸脱R²値が大きくなるほど、データへのモデル適合度は上がります。逸脱R²は必ず0～100%の間の値になります。

逸脱度R²は、モデルに新しい項を追加すると必ず大きくなります。たとえば、最適な5項モデルのR²は必ず、最適な4項モデルと少なくとも同じ大きさになります。したがって、逸脱度R²値は同じ大きさのモデルの比較に最も便利です。

適合度統計量は、データに対するモデルの適合度を測る1つの測度に過ぎません。モデルの値が望ましい場合でも残差プロットと適合度検定を確認してデータに対するモデルの適合度を評価する必要があります。

適合線プロットを使用して、異なる逸脱度R²をグラフで図示できます。1番目のプロットでは、応答の逸脱度のおよそ96%を説明するモデルが図示されます。2番目のプロットでは、応答の逸脱度の約60%を説明するモデルが図示されます。モデルが説明する逸脱度が大きいほど、データ点はより曲線に近いカーブを描きます。理論的には、モデルによって逸脱度の100%を説明できる場合、適合値は必ず観測値と等しくなり、すべてのデータ点が曲線上にプロットされることになります。

データの配列は逸脱度R²値に影響します。逸脱度R²値は通常、行ごとで単数回試行するデータよりも、行ごとで複数回試行するデータの方で高くなります。逸脱度R²値は同じデータフォーマットのモデル間でのみ比較可能です。詳細は、データフォーマットが2値ロジスティック回帰の適合値に与える影響を参照してください。

解釈

異なる数の項を持つモデルを比較する場合は、調整済み逸脱度R²を使用します。逸脱度R²はモデルに項を追加すると必ず大きくなります。調整済み逸脱度R²値にはモデルに含まれる項の数が組み入れられるため、正しいモデルの選択に役立ちます。

最初のステップでは、統計的に有意な回帰モデルが生成されます。2番目のステップでは、モデルに冷却率が追加されて、調整済み逸脱度R²が上昇します。このことから冷却率がモデルを改善することがわかります。これらの結果から、調理温度はモデルを改善しないことがわかります。これらの結果から、調理温度はモデルを改善しないことがわかります。

データの配置は逸脱度R²値に影響します。逸脱度R²は通常、行ごとに試行が1回の場合のデータより複数の試行の場合のデータの方が高くなります。調整済み逸脱度R²は、同じデータフォーマットのモデルの適合度を比較する場合にのみ使用してください。詳細は、データフォーマットが2値ロジスティック回帰の適合値に与える影響を参照してください。

解釈

2値適合線プロットでは、情報基準を使用して、異なるリンク関数または予測変数の適合値と比較できます。小さい値が好ましいと考えられます。ただし、最小値を持つモデルは必ずしもデータに良好に適合しません。検定と残差プロットも使用して、データに対するモデルの適合度を評価してください。