Interpretar os principais resultados para Ajustar modelo logístico binário e Régression logistique binaire

Para obter mais informações, acesse Razões de chances para Ajustar modelo logístico binário e Régression logistique binaire.

Para determinar quão bem o modelo se ajusta aos seus dados, examine as estatísticas na tabela Resumo do modelo.

Muitas das estatísticas de resumo do modelo e de qualidade de ajuste são afetadas pelo modo como os dados são organizados na worksheet e se há um ensaio por linha ou vários ensaios por linha. O teste de Hosmer-Lemeshow não é afetado pelo formato dos dados é comparável entre os formatos. Para obter mais informações, acesse Como os formatos de dados afetam a qualidade de ajuste na regressão logística binária.

R2 da desviância

Normalmente, quanto maior o R² de deviance, melhor o modelo ajusta os dados. O R² de deviance está sempre entre 0 e 100%.

O R² de deviance sempre aumenta quando são adicionais mais preditores a um modelo. Por exemplo, o melhor modelo de cinco preditores terá sempre um R² que tem no mínimo a mesma elevação que o melhor modelo de quatro preditores. Portanto, R² da desviância é mais útil quando for comparado a modelos do mesmo tamanho.

Para a regressão logística binária, o formato dos dados afeta o valor de R² de deviance. O R² de deviance é geralmente mais elevado para os dados em formato de Eventos/Ensaio. Os valores de R² de deviance só são comparáveis entre os modelos que usam o mesmo formato de dados.

A estatística de qualidade do ajuste é apenas uma medida do grau em que o modelo ajusta os dados (se ajusta bem ou mal). Mesmo quando um modelo tem um valor desejável, você deve verificar os gráficos de resíduos e testes de qualidade do ajuste para avaliar se um modelo ajusta bem os dados.

R2 da desviância (aj.)

Use o R² de deviance ajustado quando desejar comparar modelos que têm diferentes números de preditores. O R² de deviance sempre aumenta quando é adicionado um preditor ao modelo. O valor de R² de deviance ajustado incorpora o número de preditores no modelo para ajudá-lo a escolher o modelo correto.

AIC, AICc e BIC

Use o AIC, AICc e BIC para comparar modelos diferentes. Para cada estatística, valores menores são preferíveis. No entanto, o modelo com o menor valor para um conjunto de preditores não necessariamente ajusta bem os dados. Use também os testes de qualidade do ajuste e os gráficos de resíduos para avaliar se um modelo ajusta bem os dados.

Área sob a curva ROC

A área sob os valores da curva ROC variam de 0,5 a 1. Quando o modelo binário consegue separar perfeitamente as classes, a área abaixo da curva é 1. Quando o modelo binário não pode separar as classes melhor do que uma atribuição aleatória, então a área sob a curva é de 0,5.

Se o desvio é estatisticamente significativo, você pode tentar uma função de ligação diferente ou mudar os termos no modelo.

Para a regressão logística binária, o formato dos dados afeta o valor de p, pois altera o número de ensaios por linha.

• Deviance: O valor de p para o teste de deviance tende a ser mais baixo para os dados que estão no formato de Resposta/Frequência binária em comparação com os dados no formato de Evento/Ensaio. Para dados no formato de Resposta/Frequência binária, os resultados Hosmer-Lemeshow são mais confiáveis.
• Pearson: A aproximação para a distribuição do qui-quadrado que o teste de Pearson usa é imprecisa quando o número esperado de eventos por linha nos dados é baixo. Assim, o teste de qualidade de ajuste de Pearson é impreciso quando os dados estão no formato de Resposta/Frequência binária.
• Hosmer-Lemeshow: O teste de Hosmer-Lemeshow não depende do número de ensaios por linha nos dados como os outros testes de qualidade do ajuste.Quando os dados têm poucos ensaios por linha, o teste de Hosmer-Lemeshow é um indicador mais confiável de o quão bem o modelo ajusta os dados.