分析明确筛选设计的二元响应的相关性度量

在相联度量表中查找每个统计量的定义和解释指导。

对

对于二元 Logistic 回归，每个观测事件会与每个非事件配对。这些类别可描述以下对：

使用多个对来比较模型的预测能力。一致对的百分比越大，模型的执行能力越好。

Somer 的 D 是一致和不一致对之间的比率差，其中包括结对。

使用 Somer 的 D 可比较模型的预测能力。值越大，预测能力越好。例如，如果 75% 的对为一致对，25% 的对为不一致对，则 Somer 的 D 为 0.5。

当模型预测有 0 个结对时，Somer 的 D 和 Goodman-Kruskal Gamma 统计量相同。结对越多，Goodman-Kruskal Gamma 统计量超出 Somer 的 D 就越多。

Goodman-Kruskal Gamma 是一致和不一致对之间的比率差，其中不包括结对。

使用 Goodman-Kruskal Gamma 比较模型的预测能力。值越大，预测能力越好。例如，如果 75% 的非结对是一致的，25% 的非结对是不一致的，Goodman-Kruskal Gamma 为 0.5。

当模型预测有 0 个结对时，Somer 的 D 和 Goodman-Kruskal Gamma 统计量相同。结对越多，Goodman-Kruskal Gamma 统计量超出 Somer 的 D 就越多。

Kendall 的 Tau-a 是所有可能对中一致和不一致对的比率差，其中包括响应值相同的对。

使用 Kendall 的 Tau-a 比较模型的预测能力。值越大，预测能力越好。Kendall 的 Tau-a 始终小于 Somer 的 D 和 Goodman-Kruskal Gamma 统计量，因为这两个统计量不包括响应值相同的对。