Tabela Resumo do Modelo de Ajustar modelo logístico binário

Encontre definições e orientações de interpretação para cada estatística na tabela Modelo do Resumo.

R2 deviance

O R2 de deviance geralmente é considerado a proporção do desvio na resposta variável que explica o modelo.

Interpretação

Normalmente, quanto maior o R2 de deviance, melhor o modelo ajusta os dados. O R2 de deviance está sempre entre 0 e 100%.

O R2 de deviance sempre aumenta quando você adiciona mais preditores a um modelo. Por exemplo, o melhor modelo de cinco preditores terá sempre um R2 que é pelo menos tão elevado quanto o melhor modelo de quatro preditores. Portanto, R2 de deviance é mais útil quando for comparado a modelos do mesmo tamanho.

O R2 deviance é apenas uma medida de quão bem o modelo se ajusta aos dados. Mesmo quando um modelo tem um R2 elevado, você deve verificar os gráficos de resíduos e testes de qualidade do ajuste para avaliar se um modelo ajusta bem os dados.

Você pode usar um gráfico de linhas ajustado para ilustrar graficamente valores deviance R2. O primeiro gráfico ilustra um modelo que explica aproximadamente 96% do deviance na resposta. O segundo gráfico ilustra um modelo que explica cerca de 60% do deviance na resposta. Quanto mais deviance um modelo explica, mais próximos os pontos de dados caem na curva. Teoricamente, se um modelo pudesse explicar 100% do deviance, os valores ajustados seriam sempre iguais aos valores observados e todos os pontos de dados cairiam na curva.

O formato de dados afeta o valor de R2 de deviance. O R2 de deviance é geralmente mais elevado para os dados em formato de Eventos/Ensaio. Os valores de R2 de deviance só são comparáveis entre os modelos que usam o mesmo formato de dados. Para obter mais informações, vá para Como os formatos de dados afetam a qualidade de ajuste na regressão logística binária.

R2 deviance (aj.)

O R2 de deviance ajustado representa a porcentagem de desvio na resposta que é explicada pelo modelo, ajustada para o número de preditores do modelo em relação ao número de observações.

Interpretação

Use o R2 de deviance ajustado quando desejar comparar modelos que têm diferentes números de preditores. O R2 de deviance sempre aumenta quando você adiciona um preditor ao modelo. O valor de R2 de deviance ajustado incorpora o número de preditores no modelo para ajudá-lo a escolher o modelo correto.

Por exemplo, você trabalha para um fabricante de batatas chips que examina os fatores que afetam as batatas quebradas por embalagem. Você recebe os seguintes resultados conforme adiciona preditoras:
Etapa % de batatas Taxa de resfriamento Temp. de cozimento R2 deviance R2 deviance ajustado Valor-p
1 X     52% 51% 0,00
2 X X   63% 62% 0,00
3 X X X 65% 62% 0,00

A primeira etapa produz um modelo de regressão estatisticamente significativo. A segunda etapa, que adiciona uma taxa de resfriamento ao modelo, aumenta o R2 deviance ajustado, que indica que a taxa de resfriamento aprimora o modelo. A terceira etapa, que adiciona temperatura de cozimento ao modelo, aumenta o R2 deviance, mas não o R2 deviance ajustado. Esses resultados indicam que a temperatura de cozimento não aprimoram o modelo. Com base nesses resultados, você considera remover a temperatura de cozimento do modelo.

Para regressão logística binária, o formato dos dados afeta o valor R2 deviance ajustado. Para os mesmos dados, o R2 deviance ajustado é normalmente mais alto quando os dados estão no formato Evento/Ensaio do que quando os dados estão no formato Resposta/frequência binária. Use o R2 deviance ajustado somente para comparar o ajuste dos modelos que têm o mesmo formato de dados. Para obter mais informações, vá para Como os formatos de dados afetam a qualidade de ajuste na regressão logística binária.

AIC

O Critério de Informação de Akaike é uma medida da qualidade relacionada a um modelo responsável pelo ajuste e o número de termos no modelo. A estatística não tem interpretação sem um valor de comparação.

Interpretação

Use o AIC para comparar modelos diferentes. Quanto menor o AIC, melhor o modelo se ajusta aos dados. No entanto, o modelo com o menor AIC para um conjunto de preditores não necessariamente ajusta bem os dados. Use também os testes de qualidade do ajuste e os gráficos de resíduos para avaliar se um modelo ajusta bem os dados.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política