Selecionar as opções para Ajustar modelo logístico binário

Estat > Regressão > Regressão Logística Binária > Ajuste de Modelo Logístico Binário > Opções

Pesos

Em Pesos, insira uma coluna numérica de pesos para realizar a regressão ponderada. Os pesos devem ser maiores que ou iguais a zero. A coluna dos pesos deve ter o mesmo número de linhas que a coluna das respostas. Para obter mais informações sobre a determinação do peso apropriado, vá para Regressão ponderada.

Nível de confiança para todos os intervalos

Insira o nível de confiança dos intervalos de confiança dos coeficientes e os valores ajustados. Se você usar a função de ligação de logit, este nível de confiança também é o nível de confiança dos intervalos de confiança para as razões de chances.

Em geral, um nível de confiança de 95% funciona bem. Um nível de confiança de 95% indica que, se você extrair 100 amostras aleatórias da população, os intervalos de confiança para aproximadamente 95 das amostras conterão o parâmetro que o intervalo estima. Para um determinado conjunto de dados, um nível de confiança mais baixo produz um intervalo de confiança mais estreito e um nível de confiança mais alto produz um intervalo de confiança mais amplo.

Observação

Para exibir os intervalos de confiança para os coeficientes e os valores ajustados, você deve ir para a Resultados caixa de subdiálogo, e a partir de Exibição dos resultados, selecione Tabelas expandidas.

Tipo de intervalo de confiança

Você pode selecionar um intervalo bilateral ou um limite unilateral. Para o mesmo nível de confiança, um limite está mais perto da estimativa do ponto do que do intervalo. O limite superior não fornece um valor inferior provável. O limite inferior não fornece um valor superior provável.
Bilateral
  • Use um intervalo de confiança bilateral para estimar os valores de probabilidade inferior e superior para a probabilidade do evento.
Limite inferior
  • Use um limite de confiança inferior para estimar um valor de probabilidade inferior para a probabilidade do evento.
Limite superior
  • Use um limite de confiança superior para estimar um valor de probabilidade inferior para a probabilidade do evento.

Resíduos para diagnósticos

Os resíduos deviance e de Pearson ajudam a identificar padrões nos gráficos de resíduos e outliers. As observações que são insuficientemente ajustadas pelo modelo têm resíduos deviance e de Pearson altos. O Minitab calcula os valores de resíduos para cada padrão de fator/covariável distinto.
  • Deviance: Os resíduos deviance são uma medida de quão bem o modelo prediz a observação. Os resíduos deviance são frequentemente preferidos para uma regressão logística que usa a função de ligação logit porque a distribuição dos resíduos é mais parecido com a distribuição dos resíduos de modelos de mínimos quadrados. A função de ligação logit é a função de ligação mais comum.
  • Pearson: Os resíduos de Pearson também são uma medida de quão bem o modelo prediz a observação. Uma abordagem comum para identificação de outliers é representar os resíduos de Pearson pela ordem das observações na worksheet.

Deviances para Testes

Selecione um deviance para calcular os valores qui-quadrado e os valores-p. É mais comum usar o deviance ajustado. Use o deviance sequencial para determinar a significância dos termos pela ordem em que eles são inseridos no modelo.
  • Ajustado (Tipo III): Mede a redução no deviance para cada termo relativo a um modelo que contém todos os termos restantes.
  • Sequencial (Tipo I): Mede a redução no deviance quando um termo é adicionado a um modelo que contém somente os termos antes dele.

Número de grupos para o teste de Hosmer-Lemeshow

Insira o número de grupos para o teste Hosmer-Lemeshow. Se você deixar este valor em branco, o Minitab tenta criar 10 grupos de tamanho igual. Dez grupos funcionam bem para a maioria dos conjuntos de dados.

O teste Hosmer-Lemeshow avalia o ajuste do modelo comparando as frequências observadas e esperadas. O teste divide os dados em grupos por suas probabilidades estimadas de menor para maior, depois realiza um teste Qui-quadrado para determinar se as frequências observadas e esperadas são significativamente diferentes. Se o número de padrões distintos de fatores/covariáveis for pequeno ou grande, você deve mudar o número de grupos. Por exemplo, você pode usar menos grupos para aumentar os valores esperados dentro dos grupos. Alternativamente, você pode usar mais grupos para ver maiores detalhes na comparação dos valores observados e esperados. Hosmer and Lemeshow sugere o uso de um mínimo de 6 grupos. 1.

1 D.W. Hosmer and S. Lemeshow (2000). Applied Logistic Regression. 2nd ed. John Wiley & Sons, Inc.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política