명목형 로지스틱 회귀 분석에 대한 주요 결과 해석

명목형 로지스틱 회귀 분석 모형을 해석하려면 다음 단계를 수행하십시오. 주요 결과는 p-값, 계수 및 로그 우도 등입니다.

이 항목의 내용

1단계: 반응과 항 사이의 연관성이 통계적으로 유의한지 확인
2단계: 모형이 데이터를 얼마나 잘 적합시키는지 확인

1단계: 반응과 항 사이의 연관성이 통계적으로 유의한지 확인

반응과 모형의 각 항 간의 연관성이 통계적으로 유의한지 여부를 확인하려면 항에 대한 p-값을 유의 수준과 비교하여 귀무 가설을 평가합니다. 귀무 가설은 항과 반응 간에 연관성이 없다는 것입니다. 일반적으로 0.05의 유의 수준(α 또는 알파로 표시함)이 적절합니다. 0.05의 유의 수준은 실제로 연관성이 없는데 연관성이 존재한다는 결론을 내릴 위험이 5%라는 것을 나타냅니다.

p-값 ≤ α: 연관성이 통계적으로 유의합니다.: p-값이 유의 수준보다 작거나 같으면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 있습니다.
p-값 > α: 연관성이 통계적으로 유의하지 않습니다.: p-값이 유의 수준보다 크면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 없습니다. 항 없이 모형을 다시 적합시킬 수도 있습니다.; 반응과 통계적으로 유의한 연관성이 없는 예측 변수가 여러 개 있는 경우 한 번에 하나씩 항을 줄여 모형을 축소할 수 있습니다. 모형에서 항을 제거하는 방법은 모형 축소에서 확인하십시오.

수준이 3개 이상인 범주형 요인의 경우, 계수에 대한 가설은 요인의 해당 수준이 요인의 기준 수준과 다른 지에 대한 것입니다. 요인의 통계적 유의성을 평가하려면 자유도가 1을 초과하는 항에 검증을 사용합니다. 이 검정을 표시하는 방법에 대한 자세한 내용은 명목형 로지스틱 회귀 분석에 대해 표시할 결과 선택에서 확인하십시오.

로지스틱 회귀 분석 표

						95% CI
예측 변수	계수	SE 계수	Z	P	승산비	하한	상한
로짓 1: (수학/과학)
상수	-1.12266	4.56425	-0.25	0.806
교수 방법
설명	-0.563115	0.937591	-0.60	0.548	0.57	0.09	3.58
나이	0.124674	0.401079	0.31	0.756	1.13	0.52	2.49
로짓 2: (미술/과학)
상수	-13.8485	7.24256	-1.91	0.056
교수 방법
설명	2.76992	1.37209	2.02	0.044	15.96	1.08	234.90
나이	1.01354	0.584494	1.73	0.083	2.76	0.88	8.66

로그 우도 = -26.446

모든 기울기가 0인 검정

DF	G	P-값
4	12.825	0.012

적합도 검정

방법	카이-제곱	DF	P
Pearson	6.95295	10	0.730
이탈도	7.88622	10	0.640

주요 결과: p-값, 계수

이 결과에서 예측 변수는 교수 방법과 나이입니다. 반응은 학생이 선호하는 학과 과목입니다. 과학이 기준 수준이므로, 결과에서는 다른 과목을 과학과 비교합니다. 0.05 유의 수준에서는 교수 방법의 변화가 학생이 미술을 과학보다 선호할 확률과 연관성이 있다는 결론을 내릴 수 있습니다.

로지스틱 회귀 분석 표에서 비교 결과는 로짓 레이블 뒤에 오는 첫 번째 결과이며, 기준 결과는 두 번째 결과입니다. 계수가 양이면 계량형 예측 변수가 증가할수록 비교 결과의 확률이 기준 결과보다 높아집니다. 또한 계수가 양이면 비교 결과의 확률이 범주형 예측 변수의 기준 수준보다 범주형 예측 변수의 비교 수준에서 더 높습니다. 자세한 내용을 보려면 모든 통계량 및 그래프로 이동한 다음 계수를 클릭하십시오.

로짓 2에서는 미술을 과학과 비교합니다. 로짓 2에서 설명에 대한 계수는 약 3입니다. 값이 양수이므로 교수 방법이 설명이면 학생이 미술을 과학보다 선호할 확률이 더 높습니다.

2단계: 모형이 데이터를 얼마나 잘 적합시키는지 확인

모형이 데이터에 얼마나 적합한지 확인하려면 로그 우도를 조사합니다. 로그 우도 값이 클수록 데이터에 더 적합함을 나타냅니다. 로그 우도 값은 음수이므로 값이 0에 가까울수록 값이 더 큽니다. 로그 우도는 표본 데이터에 따라 달라지므로 로그 우도를 사용하여 서로 다른 데이터 집합의 모형을 비교할 수 없습니다.

모형에 항을 추가하면 로그 우도가 감소할 수 없습니다. 예를 들어 항이 5개인 모형의 로그 우도는 같은 항을 사용하여 만들 수 있는 4항 모형의 우도보다 높습니다. 따라서 로그 우도는 같은 크기의 모형을 비교할 때 유용합니다. 개별 항에 대해 결정을 내리려면 일반적으로 다른 로짓의 항에 대한 p-값을 살펴봅니다.

로지스틱 회귀 분석 표

						95% CI
예측 변수	계수	SE 계수	Z	P	승산비	하한	상한
로짓 1: (수학/과학)
상수	0.287682	0.540062	0.53	0.594
교수 방법
설명	-0.575364	0.935415	-0.62	0.538	0.56	0.09	3.52
로짓 2: (미술/과학)
상수	-1.79176	1.08011	-1.66	0.097
교수 방법
설명	2.48491	1.24162	2.00	0.045	12.00	1.05	136.79

로그 우도 = -28.379

모든 기울기가 0인 검정

DF	G	P-값
2	8.959	0.011

* 참고 * 적합도 검정이 수행되지 않았습니다.

* 참고 * 모형이 모든 자유도를 사용합니다.

로지스틱 회귀 분석 표

						95% CI
예측 변수	계수	SE 계수	Z	P	승산비	하한	상한
로짓 1: (수학/과학)
상수	-1.12266	4.56425	-0.25	0.806
교수 방법
설명	-0.563115	0.937591	-0.60	0.548	0.57	0.09	3.58
나이	0.124674	0.401079	0.31	0.756	1.13	0.52	2.49
로짓 2: (미술/과학)
상수	-13.8485	7.24256	-1.91	0.056
교수 방법
설명	2.76992	1.37209	2.02	0.044	15.96	1.08	234.90
나이	1.01354	0.584494	1.73	0.083	2.76	0.88	8.66

로그 우도 = -26.446

모든 기울기가 0인 검정

DF	G	P-값
4	12.825	0.012

적합도 검정

방법	카이-제곱	DF	P
Pearson	6.95295	10	0.730
이탈도	7.88622	10	0.640

주요 결과: 로그 우도

예를 들어 한 학교 관리자가 여러 가지 교수 방법을 평가하려고 합니다. 교수 방법만 포함하는 모형의 로그 우도는 약 -28입니다.

교수 방법과 학생의 나이를 포함하는 모형의 로그 우도는 약 -26입니다. 모형의 항 수가 서로 다르므로 로그 우도를 사용하여 두 모형 중 하나를 선택할 수 없습니다.