적합치
적합치는 사건 확률 또는 예측 확률이라고도 합니다. 사건 확률은 특정 결과 또는 사건이 발생하는 확률입니다. 사건 확률은 카드 한 벌에서 에이스를 뽑거나 불량 부품을 제조하는 것과 같은 사건의 발생 가능성을 추정합니다. 사건 확률의 범위는 0(불가능)에서 1(확실)까지입니다.
해석
이항 로지스틱 분석에서 반응 변수는 특정 질병의 유/무와 같이 두 가지 값 중 하나를 가질 수 있습니다. 사건 확률은 지정된 요인 또는 공변량 패턴에 대한 반응이 1일 가능성입니다(예를 들어, 50대 이상의 여성이 2종 당뇨병에 걸릴 가능성).
실험에서 각각의 수행을 시행이라고 합니다. 예를 들어, 동전을 10번 던져서 앞면이 나오는 횟수를 기록하는 경우 실험을 10번 시행하는 것입니다. 시행이 독립적이고 거의 동일하다면 사건 수를 총 시행 수로 나누어 사건 확률을 추정할 수 있습니다. 예를 들어, 동전을 10번 던져서 앞면이 6번 나온 경우 사건의 추정 확률은 다음과 같습니다.
사건 수 ÷ 시행 수 = 6 ÷ 10 = 0.6
순서 및 명목형 로지스틱 회귀 분석에서 반응 변수는 세 개 이상의 범주를 가질 수 있습니다. 사건 확률은 지정된 요인 또는 공변량 패턴이 특정 반응 범주를 가질 가능성입니다. 누적 사건 확률은 지정된 요인 또는 공변량 패턴에 대한 반응이 k 또는 그 이하 범주에 분포할 가능성입니다. 여기서 k는 반응 범주 1…k입니다.
SE 적합치
적합치의 표준 오차(SE 적합치)는 지정된 변수 설정에 대해 추정된 평균 반응의 변동량을 추정합니다. 평균 반응의 신뢰 구간 계산에는 적합치의 표준 오차가 사용됩니다. 표준 오차는 항상 음수가 아닙니다.
해석
평균 반응의 추정치 정확도를 측정하려면 적합치의 표준 오차를 사용하십시오. 표준 오차가 작을수록 예측된 평균 반응이 더 정확합니다. 예를 들어 한 분석가가 배송 시간을 예측하는 모형을 개발합니다. 변수 설정 집합 하나에 대해 모형은 평균 배송 시간을 3.80일로 예측합니다. 해당 설정에 대한 적합치의 표준 오차는 0.08일입니다. 두 번째 변수 설정 집합에 대해 모형은 적합치의 표준 오차가 0.02일인 동일한 평균 배송 시간을 산출합니다. 분석가는 두 번째 변수 설정 집합의 평균 배송 시간이 3.80일에 가깝다는 것을 더 신뢰할 수 있습니다.
적합치의 표준 오차를 적합치와 함께 사용하여 평균 반응의 신뢰 구간을 생성할 수 있습니다. 예를 들어 95% 신뢰 구간은 자유도에 따라 예측 평균의 위아래로 표준 오차의 약 2배만큼 확장됩니다. 배송 시간의 경우 표준 오차가 0.08일 때 예측된 평균인 3.80일에 대한 95% 신뢰 구간은 (3.64, 3.96)일입니다. 모집단 평균이 이 범위 안에 있다고 95% 신뢰할 수 있습니다. 표준 오차가 0.02일 때 95% 신뢰 구간은 (3.76, 3.84)일입니다. 두 번째 변수 설정 집합의 신뢰 구간은 표준 오차가 더 작기 때문에 더 좁습니다.
적합치에 대한 신뢰 구간(95% CI)
이러한 신뢰 구간(CI)은 모형에 있는 예측 변수의 관측된 값이 있는 모집단에 대한 사건 발생 확률이 포함될 가능성이 높은 값의 범위입니다.
표본이 랜덤이기 때문에 모집단의 두 표본에서 동일한 신뢰 구간이 생성될 가능성은 없습니다. 그러나 표본을 여러 번 추출하면 일정한 백분율의 신뢰 구간에는 알 수 없는 모집단 모수가 포함됩니다. 모수를 포함하는 이러한 신뢰 구간의 백분율이 해당 구간의 신뢰 수준입니다.
- 점 추정치
- 점 추정치는 표본 데이터에서 계산되는 모수의 추정치입니다.
- 오차 한계
- 오차 한계는 신뢰 구간의 너비를 정의하며 사건 확률의 범위, 표본 크기 및 신뢰 수준에 영향을 받습니다.
해석
변수의 관측치에 대한 적합치의 추정치를 평가하려면 신뢰 구간을 사용합니다.
예를 들어, 95% 신뢰 수준에서 신뢰 구간에 모형 내 변수의 지정된 값에 대한 사건 발생 확률이 포함된다고 95% 확신할 수 있습니다. 신뢰 구간은 결과의 실제 유의성을 평가하는 데 도움이 됩니다. 해당 상황에 실제적으로 유의한 값이 신뢰 구간에 포함되는지 여부를 확인하려면 전문 지식을 이용하십시오. 신뢰 구간이 너무 넓어서 유의하지 않은 경우에는 표본 크기를 늘려보십시오.
잔차
잔차는 모형이 관측치를 예측하는 정도를 나타냅니다. Minitab에서는 기본적으로 편차 잔차를 계산합니다. 모형에 의해 잘 적합되지 않는 관측치는 큰 편차와 Pearson 잔차를 갖습니다. Minitab에서는 구별되는 각 요인/공변량 패턴에 대한 잔차를 계산합니다.
편차 잔차를 사용하든지 Pearson 잔차를 사용하든지 여부에 상관없이 잔차는 동일하게 해석됩니다. 모형에서 로짓 연결 함수를 사용하는 경우 편차 잔차의 분포가 최소 제곱법 회귀 모형의 잔차 분포에 더 가깝습니다. 각 예측 변수 설정 조합에 대한 시행 횟수가 증가하면 편차 잔차와 Pearson 잔차가 더 유사해집니다.
해석
모형이 적절하고 회귀 분석의 가정을 충족하는지 여부를 확인하려면 잔차를 그림으로 표시하십시오. 잔차를 조사하면 모형이 데이터에 얼마나 잘 적합되는 지에 대한 유용한 정보를 얻을 수 있습니다. 일반적으로 잔차는 분명한 패턴이나 비정상적인 값 없이 랜덤하게 분포해야 합니다. 데이터에 비정상적인 값이 포함된 것으로 확인되는 경우 Minitab에서는 결과에 있는 비정상적 관측치에 대한 적합치 및 진단 표에 이러한 관측치를 표시합니다. 비정상적인 값에 대한 자세한 내용은 비정상적 관측치에서 확인하십시오.
표준화 잔차
표준화 잔차는 잔차(ei)를 해당 표준 편차의 추정치로 나눈 값과 같습니다.
해석
표준화 잔차를 사용하면 특이치를 탐지하는 데 도움이 됩니다. 일반적으로 2보다 크거나 -2보다 작은 표준화 잔차는 큰 것으로 간주됩니다. 비정상적 관측치에 대한 적합치 및 진단 표에는 이러한 관측치가 'R'로 표시됩니다. 분석 결과 비정상적 관측치가 여러 개 있는 경우 모형이 일반적으로 유의한 적합성 결여를 나타냅니다. 즉, 모형이 요인과 반응 변수의 관계를 적절하게 설명하지 못한다는 의미입니다. 자세한 내용은 비정상적 관측치에서 확인하십시오.
표준화 잔차는 원시 잔차가 특이치를 잘 나타내지 않을 수 있기 때문에 유용합니다. 각 원시 잔차의 분산은 연결된 x-값에 따라 다를 수 있습니다. 이렇게 서로 다른 척도로 인해 원시 잔차의 크기를 평가하기가 어렵습니다. 잔차를 표준화하면 서로 다른 분산이 공통 척도로 변환되어 이 문제가 해결됩니다.
편차 잔차를 사용하든지 Pearson 잔차를 사용하든지 여부에 상관없이 잔차는 동일하게 해석됩니다. 모형에서 로짓 연결 함수를 사용하는 경우 편차 잔차의 분포가 최소 제곱법 회귀 모형의 잔차 분포에 더 가깝습니다. 각 예측 변수 설정 조합에 대한 시행 횟수가 증가하면 편차 잔차와 Pearson 잔차가 더 유사해집니다.
외적 스튜던트화 잔차
각 외적 스튜던트화 잔차는 데이터 집합에서 각 관측치를 체계적으로 제거하고 회귀 방정식을 추정하며 모형이 제거된 관측치를 얼마나 잘 예측하는지 결정하는 것과 동일한 공식을 사용하여 계산됩니다. 각 외적 스튜던트화 잔차는 또한 관측치의 외적 잔차를 잔차의 표준 편차 추정치로 나누어 표준화됩니다. 이 관측치가 없다면 모형이 어떻게 되는지 보기 위해 관측치를 제외합니다. 외적 스튜던트화 잔차가 큰 관측치(절대값이 2보다 큰 경우)는 특이치일 수 있습니다.
해석
특이치를 탐지하려면 외적 스튜던트화 잔차를 사용하십시오. 각 관측치는 해당 관측치가 모형 적합 절차에 포함되지 않을 때 모형이 반응을 얼마나 잘 적합하는지 확인하기 위해 제외됩니다. 일반적으로 2보다 크거나 -2보다 작은 외적 스튜던트화 잔차는 큰 것으로 간주됩니다. Minitab에서 표시된 관측치는 제시된 회귀 방정식을 잘 따르지 않습니다. 그러나 몇 개의 관측치는 비정상적일 것이라고 예상됩니다. 예를 들어, 큰 잔차에 대한 기준을 바탕으로, 관측치의 약 5%는 큰 잔차를 가지는 것으로 표시될 것입니다. 분석 결과 많은 비정상적 관측치가 확인되면 모형이 예측 변수와 반응 변수의 관계를 적절하게 설명하지 못한다는 의미입니다. 자세한 내용은 비정상적 관측치에서 확인하십시오.
표준화 및 외적 스튜던트화 잔차는 특이치를 식별하는 데 있어 원시 잔차보다 더 유용할 수 있습니다. 이러한 잔차는 예측 변수 또는 요인의 값으로 인한 원시 잔차 분산의 가능한 차이에 따라 조정됩니다.
Hi(레버리지)
Hi(레버리지라고도 함)는 한 관측치의 x-값으로부터 데이터 집합 내 모든 관측치의 평균 x-값까지의 거리를 나타냅니다.
해석
Hi 값은 0과 1 사이입니다. Minitab에서는 레버리지 값이 3p/n과 0.99 중 작은 수보다 큰 관측치를 식별합니다. 이러한 관측치는 비정상 관측치 표에 대한 적합치 및 진단에 X로 표시되어 있습니다. 3p/n에서 p는 모형 내 계수의 수이고 n은 관측치의 수입니다. Minitab에서 'X' 레이블로 표시하는 관측치는 영향 관측치일 가능성이 있습니다.
영향력 있는 관측치는 모형에 불균형적인 영향을 미치며 잘못된 결과를 얻을 수 있습니다. 예를 들어, 영향력 있는 점을 포함하거나 제외함에 따라 계수가 통계적으로 유의하거나 유의하지 않은지 여부가 달라질 수 있습니다. 영향력 있는 관측치는 레버리지 점, 특이치 또는 둘 다일 수 있습니다.
영향력 있는 관측치가 표시되면 관측치가 데이터 입력 오류인지 측정 오류인지 확인합니다. 관측치가 데이터 입력 오류도 아니고 측정 오류도 아니면 관측치의 영향을 확인합니다. 먼저, 관측치를 포함하거나 포함하지 않고 모형을 적합합니다. 그런 다음 계수, p-값, R2 및 기타 모형 정보를 비교합니다. 영향력 있는 관측치를 제거한 경우 모형이 크게 달라지면 모형을 추가로 조사하여 모형을 잘못 지정했는지 확인합니다. 이 문제를 해결하기 위해 데이터를 추가로 수집해야 할 수도 있습니다.
DFITS
DFITS는 각 관측치가 선형 모형의 적합치에 미치는 영향을 측정합니다. DFITS는 각 관측치를 데이터 집합에서 제거하고 모형을 다시 적합시킬 때 적합치가 변하는 표준 편차의 개수를 대략적으로 나타냅니다.
해석
| 용어 | 설명 |
|---|---|
| p | 모형 항의 수 |
| n | 관측치 수 |
영향력 있는 관측치는 모형에 불균형적인 영향을 미치며 잘못된 결과를 얻을 수 있습니다. 예를 들어, 영향력 있는 점을 포함하거나 제외함에 따라 계수가 통계적으로 유의하거나 유의하지 않은지 여부가 달라질 수 있습니다. 영향력 있는 관측치는 레버리지 점, 특이치 또는 둘 다일 수 있습니다.
영향력 있는 관측치가 표시되면 관측치가 데이터 입력 오류인지 측정 오류인지 확인합니다. 관측치가 데이터 입력 오류도 아니고 측정 오류도 아니면 관측치의 영향을 확인합니다. 먼저, 관측치를 포함하거나 포함하지 않고 모형을 적합합니다. 그런 다음 계수, p-값, R2 및 기타 모형 정보를 비교합니다. 영향력 있는 관측치를 제거한 경우 모형이 크게 달라지면 모형을 추가로 조사하여 모형을 잘못 지정했는지 확인합니다. 이 문제를 해결하기 위해 데이터를 추가로 수집해야 할 수도 있습니다.
Cook의 거리(D)
Cook의 거리(D)는 관측치가 선형 모형의 계수 집합에 미치는 영향을 측정합니다. Cook의 거리는 레버리지 값과 각 관측치의 표준화 잔차를 모두 고려하여 관측치의 영향을 확인합니다.
해석
D가 큰 관측치는 영향 관측치로 간주할 수 있습니다. 큰 D-값에 대해 일반적으로 사용되는 기준은 D가 F-분포: F(0.5, p, n-p)의 중위수보다 큰 경우입니다(여기서 p는 상수를 포함한 모형 항의 수이며, n는 관측치의 수입니다). D-값을 조사하는 또 하나의 방법은 개별 값 그림과 같은 그래프를 사용하여 서로 비교하는 것입니다. 다른 관측치에 비해 D-값이 큰 관측치는 영향 관측치일 가능성이 있습니다.
영향력 있는 관측치는 모형에 불균형적인 영향을 미치며 잘못된 결과를 얻을 수 있습니다. 예를 들어, 영향력 있는 점을 포함하거나 제외함에 따라 계수가 통계적으로 유의하거나 유의하지 않은지 여부가 달라질 수 있습니다. 영향력 있는 관측치는 레버리지 점, 특이치 또는 둘 다일 수 있습니다.
영향력 있는 관측치가 표시되면 관측치가 데이터 입력 오류인지 측정 오류인지 확인합니다. 관측치가 데이터 입력 오류도 아니고 측정 오류도 아니면 관측치의 영향을 확인합니다. 먼저, 관측치를 포함하거나 포함하지 않고 모형을 적합합니다. 그런 다음 계수, p-값, R2 및 기타 모형 정보를 비교합니다. 영향력 있는 관측치를 제거한 경우 모형이 크게 달라지면 모형을 추가로 조사하여 모형을 잘못 지정했는지 확인합니다. 이 문제를 해결하기 위해 데이터를 추가로 수집해야 할 수도 있습니다.
