이항 로지스틱 모형 적합에 대한 방법 표

방법 표에 대한 정의 및 해석 방법을 확인해 보십시오.

범주형 예측 변수 코드화

Minitab에서는 모형에 범주형 변수를 포함하기 위해 (0, 1) 또는 (−1, 0, +1) 코드화 방법을 사용할 수 있습니다. 회귀 분석의 경우 (0, 1) 방법이 기본값이며 분산 분석 및 실험계획법의 경우 (−1, 0, +1) 방법이 기본값입니다. 두 가지 방법 중 어느 것을 선택해도 범주형 변수의 통계적 유의성은 변경되지 않습니다. 그러나 코드화 방법에 따라 계수 및 계수 해석 방법이 달라집니다.

해석

원하는 분석을 수행했는지 확인하려면 표시되는 코드화 방법을 확인하십시오. 다음과 같이 범주형 변수에 대한 계수를 해석하십시오.

  • (0, 1) 코드화 방법을 사용하는 경우 각 계수는 각 수준과 기준 수준 간의 차이를 나타냅니다. 기준 수준에 대한 계수는 0입니다.
  • (-1, 0, +1) 코드화 방법을 사용하는 경우 각 계수는 수준 평균과 기준 간의 차이를 나타냅니다.

계량형 예측 변수 표준화

모형의 계량형 예측 변수를 표준화하기로 선택한 경우 Minitab에서는 계량형 예측 변수 표준화 표의 방법에 대한 세부 정보를 제공합니다.

일반적으로 변수를 중심화하거나 변수의 척도를 지정하기 위해 또는 둘 다에 표준화를 사용합니다. 변수를 중심화하는 경우 다항식 항 및 교호작용 항에 의해 야기되는 다중 공선성을 줄이고, 이에 따라 계수 추정치의 정밀도가 개선됩니다. 대부분의 경우 변수 척도를 지정하면 Minitab에서 변수의 서로 다른 척도를 공통 척도로 변환하므로, 계수 크기를 비교할 수 있습니다.

해석

원하는 분석을 수행했는지 확인하려면 표준화 방법 표를 사용하십시오. 선택한 방법에 따라 계수 해석을 다음과 같이 변경해야 합니다.

코드화할 낮은 수준과 높은 수준을 -1과 +1로 지정
이 방법은 변수를 중앙으로 이동하고 확장합니다. 각 계수는 예측 변수가 코드화된 척도에서 1단위 변할 때 예상되는 변환 반응 평균의 변동을 나타냅니다. 예를 들어 계수는 예측 변수가 0에서 +1로 변할 때 변환된 반응 평균의 변동을 나타냅니다.
평균값을 뺀 후 표준 편차로 나누기
이 방법은 변수를 중앙으로 이동하고 확장합니다. 각 계수는 예측 변수가 1 표준 편차만큼 변할 때 예상되는 변환된 응답 평균의 변동을 나타냅니다.
평균값 빼기
이 방법은 변수를 중앙으로 이동합니다. 각 계수는 예측 변수가 1만큼 변할 때 예상되는 변환 반응 평균의 변동을 나타냅니다.
표준 편차로 나누기
이 방법은 변수를 확장합니다. 각 계수는 예측 변수가 1 표준 편차만큼 변할 때 예상되는 변환 응답 평균의 변동을 나타냅니다.
지정된 값을 뺀 후 다른 값으로 나누기
이 방법으로 변수가 중앙으로 이동되는지 아니면 확장되는 지는 지정하는 값에 따라 결정됩니다. 각 계수는 예측 변수가 제수만큼 변할 때 예상되는 변환 응답 평균의 변동을 나타냅니다. 예를 들어 4로 나누는 경우 계수는 원래 측정 척도에서 4만큼 증가함을 나타냅니다.

계수의 정확한 해석은 분석의 다른 측면(연결 함수 등)에 따라 달라지기도 합니다.

반응 정보

Minitab은 반응값에 대해 다음과 같은 정보를 표시합니다.
변수
반응 변수의 이름
반응 변수의 수준
카운트
반응 변수의 각 수준에 있는 관측치 수
합계
비결측 관측치 수

결과에서는 어느 반응 수준이 기준 사건인 지도 식별합니다.

해석

반응 정보는 분석에 데이터가 얼마나 있는지 조사하는 데 사용합니다. 각 수준의 발생 횟수가 많은 상대적으로 큰 랜덤 표본은 일반적으로 모집단에 대한 보다 정확한 추측을 제시합니다.

반응 정보는 어느 사건이 기준 사건인지 결정하는 데도 사용합니다. 계수와 승산비 같은 통계량의 해석은 어느 사건이 기준 사건이냐에 따라 다릅니다. 명목형 로지스틱 회귀 분석 대화 상자에서 반응에 대한 기준 사건을 변경할 수 있습니다.

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오