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.
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.
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.
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.