Um consultor de marketing de uma empresa de cereais analisa a eficiência de uma propaganda de TV para um novo produto de cereal. O consultor mostra a propaganda em uma comunidade específica por uma semana. Em seguida, ele escolhe adultos aleatoriamente quando saem de um supermercado local para perguntar se eles viram a propaganda e compraram o novo cereal. O consultor também pergunta aos adultos se eles têm filhos e qual é a renda familiar anual.
Como a resposta é binária, o consultor usa regressão logística binária para determinar como a propaganda, ter filhos e a renda familiar anual estão relacionados à compra do cereal pelos adultos amostrados.
Na lista suspensa, selecione Resposta no formato binário de
resposta/frequência.
Em Resposta, insira Compra.
Em Preditores
contínuos, insira Renda.
Em Preditores
categóricos, insira CriançasViuAnúncio.
Clique em Opções. Em Nível de confiança de todos os intervalos, insira 90.
Clique em OK em cada caixa de diálogo.
Interpretar os resultados
A tabela análise de variância mostra quais preditores têm uma relação estatisticamente significativa com a resposta. O consultor usa um nível de significância e os resultados indicam que as preditoras Filhos e ExibirAnúncio têm uma relação estatisticamente significativa com a resposta. Renda não tem uma relação estatisticamente significativa com a resposta porque o valor-p é maior do que 0,10. O consultor pode variar ao reajustar o modelo sem a variável de renda.
A razão de chances indica que os adultos com filhos têm aproximadamente mais probabilidade de comprar cereais do que os adultos que não têm filhos. A razão de chances para adultos que viram o anúncio indica que há 2,8 vezes de mais probabilidade de comprar o cereal do que adultos que ainda não viram o anuncio.
Os teste de qualidade do ajuste são todos maiores do que o nível de significância de 0,05, que indica que não há evidência suficiente para concluir que o modelo não se ajusta aos dados. O valor R2 indica que o modelo explica aproximadamente 12,¨% do deviance na resposta.
Método
Função de Ligação
Logito
Codificação de preditores categóricos
(1; 0)
Linhas usadas
71
Informações da Resposta
Variável
Valor
Contagem
Compra
1
22
(Evento)
0
49
Total
71
Equação de Regressão
P(1)
=
exp(Y')/(1 + exp(Y'))
Crianças
ViuAnúncio
Não
Não
Y'
=
-3,016 + 0,01374 Renda
Não
Sim
Y'
=
-1,982 + 0,01374 Renda
Sim
Não
Y'
=
-1,583 + 0,01374 Renda
Sim
Sim
Y'
=
-0,5490 + 0,01374 Renda
Coeficientes
Termo
Coef
EP de Coef
Valor-Z
Valor-P
VIF
Constante
-3,016
0,939
-3,21
0,001
Renda
0,0137
0,0195
0,71
0,481
1,15
Crianças
Sim
1,433
0,856
1,67
0,094
1,12
ViuAnúncio
Sim
1,034
0,572
1,81
0,070
1,03
Razões de Chances para Preditores Contínuos
Razão de Chances
IC de 90%
Renda
1,0138
(0,9819; 1,0469)
Razões de Chances para Preditores Categóricos
Nível A
Nível B
Razão de Chances
IC de 90%
Crianças
Sim
Não
4,1902
(1,0245; 17,1386)
ViuAnúncio
Sim
Não
2,8128
(1,0982; 7,2044)
Sumário do Modelo
R2 Deviance
R2 (Aj.) Deviance
AIC
AICc
BIC
Área sob a curva ROC
12,66%
9,25%
84,77
85,37
93,82
0,7333
Testes de Qualidade de Ajuste
Teste
GL
Qui-Quadrado
Valor-P
Deviance
67
76,77
0,194
Pearson
67
76,11
0,209
Hosmer-Lemeshow
8
5,58
0,694
Análise de Variância
Teste de Wald
Fonte
GL
Qui-Quadrado
Valor-p
Regressão
3
8,79
0,032
Renda
1
0,50
0,481
Crianças
1
2,80
0,094
ViuAnúncio
1
3,27
0,070
Ajustados e Diagnósticos para Observações Atípicas