Interpretar os principais resultados para Regressão logística ordinal

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 ordinal.

Para determinar quão bem o modelo se ajusta aos dados, examine a 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.

Valores maiores para D de Somers, gama de Goodman-Kruskal e tau-a de Kendall indicam que o modelo tem melhor capacidade preditiva. O D de Somers e o gama de Goodman-Kruskal podem estar entre -1 e 1. O tau-a de Kendall pode estar entre -2/3 e 2/3. Valores próximo do máximo indicam que o modelo tem boa capacidade preditiva. Os valores próximos de 0 indicam que o modelo não tem uma relação preditiva com a resposta. Os valores negativos são raros na prática porque aquele desempenho é pior do que quando o modelo e a resposta não estão relacionados.

Neste segundo conjunto de resultados, a distância e o quadrado da distância são ambos preditores. Você não pode usar a log-verossimilhança para comparar esses modelos porque eles têm diferentes número de termos. As medidas de associação são maiores para o segundo modelo, o que indica que o segundo modelo apresenta melhor desempenho do que o primeiro modelo.