Desvio em cada passo iterativo para Ajustar modelo logístico binário, Régression logistique binaire, e Ajustar modelo de Poisson

Para estimar os coeficientes de um modelo, a análise utiliza um algoritmo de mínimos quadrados reponderados iterativamente. O algoritmo tenta maximizar a verosimilhança logarítmica do modelo. Essa maximização é equivalente à minimização do desvio do modelo. O algoritmo tenta maximizar a verosimilhança logarítmica refinando as estimativas dos coeficientes usando o método dos mínimos quadrados reponderados. A diferença de um modelo é o dobro da discrepância entre a logarim-verosimilhança do modelo saturado e a logaritarim-verosimilhança do modelo. O modelo saturado é o modelo com um parâmetro para cada observação, que possui o maior valor possível de verossimilhança logarítmica.

A tabela mostra a variação do modelo a cada iteração. Normalmente, um aumento na verosimilhança logarítmica do modelo de uma etapa para a próxima indica melhora nas estimativas dos coeficientes do modelo. Um aumento na verosimilhança logarítmica é equivalente a uma diminuição do desvio.

O algoritmo usa a diferença entre desvios em etapas sucessivas para decidir quando as estimativas dos coeficientes são suficientemente boas. Quando a diferença entre as desvianças se torna menor que um limiar, o algoritmo para. Por padrão, o limiar é 1E−8. Use comandos de sessão para o Minitab Statistical Software para ajustar o limiar.

Às vezes, as estimativas não convergem após o número máximo de iterações nas especificações da análise. A falha em convergir geralmente ocorre devido a alguma configuração específica dos dados. Por exemplo, na regressão logística binária, sabe-se que uma separação completa dos dados impede que o algoritmo de ajuste tenha convergência total, independentemente do número máximo de iterações.