2値適合線プロットの主要な結果を解釈する

オッズ比を使用して、予測変数の影響を理解します。モデルにlogitリンク関数を使用する場合、Minitabはオッズ比を計算します。

オッズ比が1より大きい場合、予測変数が増加するにつれて事象が発生する可能性が高くなることを示しています。オッズ比が1未満の場合、予測変数が増加するにつれて事象が発生する可能性が低くなることを示しています。

適合線プロットを使用して、応答変数と予測変数の関係を調べることができます。

どの程度モデルがデータに適合するかを判断するには、モデル要約表の統計量を調べます。2値ロジスティック回帰では、データのフォーマットは、AICではなく逸脱R²値に影響します。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。

逸脱度R二乗

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R²はモデルに新しい予測変数を追加すると必ず大きくなります。たとえば、最適な5予測変数モデルのR²は必ず、最適な4予測変数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R²値は同じ大きさのモデルの比較に最も便利です。

2値ロジスティック回帰では、データのフォーマットは逸脱R²値に影響します。逸脱R²は通常、データのフォーマットが事象・試行の場合に高くなります。逸脱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。

逸脱R²は、データに対するモデルの適合度を測る1つの測度にすぎません。モデルのR²が高い場合、残差プロットを確認して、データへのモデル適合度を評価する必要があります。

逸脱度R二乗（調整済み）

異なる数の予測変数を持つモデルを比較する場合は、調整済み逸脱R²を使用します。逸脱R²はモデルに予測変数を追加すると必ず大きくなります。調整済み逸脱R²値にはモデルに含まれる予測変数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。

AIC、AICc、BIC

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。

残差プロットを使用して、モデルが適切か、分析の仮定が満たされているかどうかを判断しやすくします。仮定を満たさない場合、そのモデルはデータにあまり適合しない可能性があり、結果の解釈は慎重に行う必要があります。

残差プロットのパターンを処理する方法の詳細は2値適合線プロットのグラフを参照し、ページ上部にある一覧の中から残差プロット名をクリックしてください。

残差対適合値プロット

残差対適合値プロットを使用して、残差はランダムに分布するという仮定を検証します。点に特徴的なパターンがなく、０の両側にランダムにくるのが理想的です。

残差対適合プロットは、データが事象・試行フォーマットの場合のみ利用できます。

以下の表にあるパターンは、このモデルが、モデルの仮説を満たさないことを示している可能性があります。

パターン	パターンが示す意味
残差が適合値周辺に扇状または不均等に分散している	不適切なリンク関数
曲線	高次の項の欠損または不適切なリンク関数
ゼロから遠い点	外れ値
ある点が他の点からX軸方向に遠く離れている	影響力のある点

この残差対適合値プロット上の点は、データ＝ゼロの周囲にランダムに分布しているように見えます。残差の値が適合値によって変わる根拠はありません。

残差対順序プロット

残差対データ順序プロットを使用して、残差が互いから独立しているという仮定を検証します。独立している残差は、時間順で表示した場合にトレンドやパターンを示しません。点にパターンがある場合、互いに近い残差は相関している可能性があり、独立していないことを示しています。プロットの残差が中心線の周りにランダムに来るのが理想的です。

パターンがある場合は原因を調査します。パターンが次のタイプである場合、残差が従属している可能性を示しています。

トレンド

シフト

周期

この残差対適合値プロット上の点は、残差が中心線の周囲にランダムに分布しているように見えます。残差が独立していないという根拠はありません。