Interpretar os principais resultados para Regressão logística nominal

Conclua as etapas a seguir para interpretar um modelo de regressão de logística nominal. A saída principal inclui o valor-p, os coeficientes, o log-verossimilhança.

Etapa 1: Determinar se a associação entre a resposta e os termos é estatisticamente significativa

Para determinar se a associação entre a resposta e cada termo no modelo é estatisticamente significativa, compare o valor-p para o termo com o seu nível de significância a fim de avaliar a hipótese nula. A hipótese nula é que não há nenhuma associação entre o termo e a resposta. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de se concluir que existe uma associação quando não existe uma associação real.
Valor-p ≤ α: a associação é estatisticamente significativa
Se o valor-p for menor ou igual ao nível de significância, é possível concluir que há uma associação estatisticamente significativa entre a variável de resposta e o termo.
Valor-p > α: a associação não é estatisticamente significativa
Se o valor-p for maior ou igual ao nível de significância, não é possível concluir que há uma associação estatisticamente significativa entre a variável de resposta e o termo. Talvez seja necessário reajustar o modelo sem o termo.
Se houver vários preditores sem uma associação estatisticamente significativa com a resposta, você pode reduzir o modelo removendo os termos um de cada vez. Para obter mais informações sobre como remover os termos do modelo, vá para Redução de modelo.

Para um fator categórico com mais de 2 níveis, a hipótese para o coeficiente é sobre se aquele nível do fator é diferente do nível de referência do fator. Para avaliar a significância estatística do fator, use o teste para os termos com mais de 1 grau de liberdade. Para obter mais informações sobre como exibir esse teste, vá para Selecione os resultados a serem exibidos para Regressão logística nominal.

Tabela de Regressão Logística Razão de Preditor Coef. EP de Coef Z P Chances Logito 1: (Matemática/Ciências) Constante -1,12266 4,56425 -0,25 0,806 Método de Ensino Explicar -0,563115 0,937591 -0,60 0,548 0,57 Idade 0,124674 0,401079 0,31 0,756 1,13 Logito 2: (Artes/Ciências) Constante -13,8485 7,24256 -1,91 0,056 Método de Ensino Explicar 2,76992 1,37209 2,02 0,044 15,96 Idade 1,01354 0,584494 1,73 0,083 2,76 IC de 95% Preditor Inferior Superior Logito 1: (Matemática/Ciências) Constante Método de Ensino Explicar 0,09 3,58 Idade 0,52 2,49 Logito 2: (Artes/Ciências) Constante Método de Ensino Explicar 1,08 234,90 Idade 0,88 8,66

Log-verossimilhança = -26,446

Teste de todas as inclinações igual a zero GL G Valor-P 4 12,825 0,012
Testes de Qualidade de Ajuste Método Qui-Quadrado GL P Pearson 6,95295 10 0,730 Deviance 7,88622 10 0,640
Principais resultados: Valor-p, Coeficientes

Nesses resultados, as preditoras estão ensinando método e idade. A resposta é um assunto acadêmico preferido do aluno. A ciência é o nível de referência, portanto, os resultados comparam os outros assuntos à ciência. No nível de significância de 0,05, você pode concluir que as mudanças no método de ensino estão associadas às probabilidades que os alunos preferem a arte à ciência.

Na tabela de regressão logística, o resultado da comparação é o primeiro resultados após o rótulo do logit, e o resultado da referência é o segundo resultado. Coeficientes positivos tornam o resultado da comparação mais prováveis do que o resultado da referência conforme uma preditora contínua aumenta. Além disso, coeficientes positivos tornam o resultado da comparação mais provável no nível da comparação da preditora categórica do que no nível de referência da preditora categórica. Para obter mais informações, vá para Todas as estatísticas e gráficos e clique em Coef.

O Logit 2 compara a arte à ciência. No logit 2, o coeficiente para Explique é em torno de 3. Como o valor é positivo, os alunos são mais propensos a preferir artes à ciência, quando o método de ensino é Explicar.

Etapa 2: Determinar quão bem o modelo se ajusta aos seus dados

Para determinar quão bem o modelo se ajusta aos dados, examine o log-verossimilhança e as medidas de associação. Valores maiores do log-verossimilhança indicam um melhor ajuste aos dados. Como os valores do log-verossimilhança são negativos, quanto mais próximo de 0, maior o valor. O log-verossimilhança depende dos dados da amostra, portanto, você não pode usar o log-verossimilhança para comparar modelos de diferentes conjuntos de dados.

O log-verossimilhança não pode diminuir quando você adiciona termos a um modelo. Por exemplo, um modelo com 5 termos tem maior log-verossimilhança do que quaisquer dos modelos de 4 termos que você pode criar com os mesmos termos. Portanto, o log-verossimilhança é mais útil quando você compara modelos do mesmo tamanho. Para tomar decisões sobre termos individuais, você normalmente examina os valores-p para o termo nos diferentes logits.

Tabela de Regressão Logística Razão de Preditor Coef. EP de Coef Z P Chances Logito 1: (Matemática/Ciências) Constante 0,287682 0,540062 0,53 0,594 Método de Ensino Explicar -0,575364 0,935415 -0,62 0,538 0,56 Logito 2: (Artes/Ciências) Constante -1,79176 1,08011 -1,66 0,097 Método de Ensino Explicar 2,48491 1,24162 2,00 0,045 12,00 IC de 95% Preditor Inferior Superior Logito 1: (Matemática/Ciências) Constante Método de Ensino Explicar 0,09 3,52 Logito 2: (Artes/Ciências) Constante Método de Ensino Explicar 1,05 136,79

Log-verossimilhança = -28,379

Teste de todas as inclinações igual a zero GL G Valor-P 2 8,959 0,011 * NOTA * Nenhum teste de qualidade de ajuste realizado. * NOTA * O modelo usa todos os graus de liberdade.
Tabela de Regressão Logística Razão de Preditor Coef. EP de Coef Z P Chances Logito 1: (Matemática/Ciências) Constante -1,12266 4,56425 -0,25 0,806 Método de Ensino Explicar -0,563115 0,937591 -0,60 0,548 0,57 Idade 0,124674 0,401079 0,31 0,756 1,13 Logito 2: (Artes/Ciências) Constante -13,8485 7,24256 -1,91 0,056 Método de Ensino Explicar 2,76992 1,37209 2,02 0,044 15,96 Idade 1,01354 0,584494 1,73 0,083 2,76 IC de 95% Preditor Inferior Superior Logito 1: (Matemática/Ciências) Constante Método de Ensino Explicar 0,09 3,58 Idade 0,52 2,49 Logito 2: (Artes/Ciências) Constante Método de Ensino Explicar 1,08 234,90 Idade 0,88 8,66

Log-verossimilhança = -26,446

Teste de todas as inclinações igual a zero GL G Valor-P 4 12,825 0,012
Testes de Qualidade de Ajuste Método Qui-Quadrado GL P Pearson 6,95295 10 0,730 Deviance 7,88622 10 0,640
Principais resultados: Log-verossimilhança

Por exemplo, o administrador de uma escola quer avaliar métodos de ensino diferentes. O modelo com o método de ensino sozinho tem um log-verossimilhança de cerca de −28.

O modelo com o método de ensino e a idade de um aluno tem um log-verossimilhanda de cerca de −26. Você não pode usar o log-verossimilhança para escolher entre esses dois modelos porque eles têm diferentes números de termos.

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