Coeficientes para Gráfico de linha ajustada binária

Interpretação

Use o coeficiente para determinar se uma mudança na variável preditora pode tornar o evento mais ou menos provável. O coeficiente estimado para uma preditora representa a mudança na função de ligação para cada mudança de unidade na preditora, enquanto as outras preditoras no modelo são consideradas constantes. A relação entre o coeficiente e a probabilidade depende de diversos aspectos da análise, incluindo a função de ligação, o evento de referência da resposta e os níveis de referência das preditoras categóricas que estão no modelo. Geralmente, os coeficientes positivos tornam o evento mais provável e os coeficientes negativos tornam o evento menos provável. Um coeficiente estimado próximo de 0 sugere que o efeito da preditora é pequeno.

Interpretação da função de ligação logit

A função de ligação logit fornece a interpretação mais natural dos coeficientes estimados e é, portanto, a ligação padrão no Minitab. A interpretação usa o fato de que as chances de um evento de referência sejam P(evento)/P(não evento) e supõe que as outras preditoras permanecem constantes. Quanto maiores as chances do log, mais provável é o evento de referência. Portanto, os coeficientes positivos indicam que o evento torna-se mais provável e coeficientes negativos indicam que o evento torna-se menos provável. Segue-se um resumo de interpretações para diferentes tipos de preditoras.

O coeficientes de uma preditora contínua é a mudança estimada no log natural das chances de o evento de referência para cada unidade aumentar na preditora. Por exemplo, se o coeficiente de tempo em segundos é 1,4, então o log natural das chances aumenta em 1,4 para cada segundo adicional.

Os coeficientes estimados também podem ser usados para calcular as razões de chances ou a razão entre duas chances. Para calcular a razão de chances, exponencie o coeficiente de uma preditora. O resultado é a razão de chances para quando a preditora é x+1, comparado a quando a preditora é x. Por exemplo, se a razão de chances para massa em quilogramas é 0,95, para cada quilograma adicional, a probabilidade do evento diminui em cerca de 5%.

Interpretação

Use o erro padrão do coeficiente para medir a precisão da estimativa do coeficiente. Quanto menor o erro padrão, mais precisa é a estimativa.

Interpretação

Use o VIF para descrever quanta multicolinearidade existe em uma análise de regressão. A multicolinearidade é problemática porque ela pode aumentar a variância dos coeficientes de regressão, tornando difícil avaliar o impacto individual que cada uma das preditoras tem na resposta.

Para obter mais informações sobre a multicolinearidade e como minimizar seus efeitos, veja Multicolinearidade em regressão.

Interpretação

Use as equações para examinar a relação entre a resposta e as variáveis preditoras.

Por exemplo, um modelo usa a dose de um medicamento para prever o evento que um tipo de bactéria não está presente em um paciente. A primeira equação mostra a relação entre a probabilidade e a resposta transformada por causa da função de ligação do logit. A segunda equação mostra como a dose diz respeito à resposta transformada. Como o coeficiente para dose é positivo, quando a dose é maior, existe menos probabilidade de a bactéria estar presente.

Interpretação

Use a razão de chances para compreender o efeito de uma preditora. As razões de chances que são maiores do que 1 indicam que o evento tem mais probabilidade de ocorrer conforme a preditora aumenta. As razões de chances que não menos do que 1 indicam que o evento tem menos probabilidade de ocorrer conforme a preditora aumenta.

Nesses resultados, o modelo usa o nível de dosagem de um medicamento para predizer a presença ou ausência de bactéria em adultos. Cada comprimido contém uma dose de 0,5 mg, portanto, os pesquisadores usam uma mudança de unidade de 0,5 mg. A razão de chances é de aproximadamente 6. Para cada comprimido adicional que um adulto ingere, as chances de que um paciente não tenha a bactéria aumenta cerca de 6 vezes.