Kalkulator Percuma Editverse

Kalkulator Regresi Logistik

Modelkan hasil ya/tidak daripada satu atau lebih peramal — dengan nisbah kemungkinan yang diselaraskan, plot hutan dan arahan R yang boleh dihasilkan semula. Baca panduan tafsiran penuh di bawah. Disahkan terhadap R 4.3.3.

Dalam Perkataan Mudah

Regresi logistik meramalkan hasil binari — penyakit atau tiada penyakit, terselamat atau tidak — daripada satu atau lebih pembolehubah penjelasan. Daripada memasang garis lurus, ia memodelkan log-odds hasil, yang memastikan setiap kebarangkalian yang diramalkan secara munasabah antara 0 dan 1.

Setiap peramal menghasilkan pekali yang, setelah dieksponenkan, menjadi nisbah kemungkinan yang diselaraskan : perubahan dalam kemungkinan hasil untuk perubahan satu unit dalam peramal tersebut, menjadikan yang lain tetap. Nisbah kemungkinan di atas 1 bermaksud faktor tersebut meningkatkan kemungkinan; di bawah 1 bermaksud ia menurunkannya. Plot hutan menunjukkan setiap nisbah kemungkinan dengan selang keyakinannya sepintas lalu.

Bila Perlu Menggunakan Regresi Logistik

Gunakannya apabila hasilnya adalah binari dan anda ingin menganggarkan kesan beberapa peramal sekaligus, melaraskan setiap satu untuk yang lain. Ia merupakan alat standard untuk analisis faktor risiko dalam kajian kohort dan kes kawalan, dan kebarangkalian yang dipadankan boleh memberi suapan kepada analisis ROC untuk menilai sejauh mana model mendiskriminasi.

Laporkan setiap nisbah kemungkinan yang diselaraskan dengan selang keyakinan 95% dan bukannya pekali mentah, dan nyatakan pembolehubah yang berada dalam model tersebut. Untuk hasil yang berterusan, gunakan regresi linear berganda . Perhatikan peraturan praktikal peristiwa-per-pembolehubah: kira-kira sepuluh peristiwa hasil setiap peramal memastikan anggaran stabil. Tidak pasti model mana yang sesuai dengan hasil anda? Pemilih Ujian interaktif kami boleh membantu.

Regresi Logistik Ramalan hasil binari & OR · disahkan vs R 4.3.3

Data, satu pemerhatian setiap baris: y(0/1), x1, x2, …

Panduan pengguna

Bila hendak digunakan. Modelkan hasil binari dan dapatkan nisbah kemungkinan yang diselaraskan untuk setiap peramal.

Andaian. Hasilnya adalah binari; log-odds adalah linear dalam peramal; pemerhatian tidak bergantung.

Kesilapan biasa. Peraturan praktikal: sekurang-kurangnya ~10 peristiwa setiap peramal untuk mengelakkan anggaran yang tidak stabil.

Contoh yang dikerjakan

Klik Muatkan data contoh di atas, kemudian Jalankan Analisis untuk melihat hasil yang diusahakan sepenuhnya dengan rajah, formula dan tafsiran untuk ujian ini.

Rujukan

Hosmer DW, Lemeshow S, Sturdivant RX. Regresi Logistik Gunaan. Edisi ke-3. 2013.

Dikuasai oleh editverse.com · R 4.3.3 disahkan · v3.6 Perlukan analisis pakar? →

Contoh Kerja

Contoh 1 — Peramal binari tunggal

Pemodelan kematian 30 hari pada penunjuk merokok menghasilkan pekali yang mengeksponen kepada nisbah kemungkinan, katakan, 1.8 — perokok mempunyai kemungkinan 1.8 kali ganda lebih besar. Selang keyakinan 95% menunjukkan sama ada anggaran itu cukup tepat untuk meyakinkan.

Contoh 2 — Melaraskan untuk pengganggu

Menambah umur dan komorbiditi kepada model memberikan nisbah kemungkinan untuk merokok yang diselaraskan untuk faktor-faktor tersebut. Jika nisbah kemungkinan yang diselaraskan mengecut ke arah 1, sebahagian daripada perkaitan kasar dijelaskan oleh pembaur. Plot hutan memaparkan semua nisbah kemungkinan yang diselaraskan bersama-sama.

Andaian untuk Disemak

Pemerhatian bebas dan hasil binari. Setiap rekod adalah satu subjek bebas dengan hasil ya/tidak. Data berkelompok atau berulang memerlukan model campuran atau GEE.

Lineariti dalam logit untuk peramal berterusan. Pembolehubah berterusan hendaklah berkaitan secara linear dengan log-odds; semak dengan splines atau pengkategorian jika ragu-ragu.

Peristiwa yang mencukupi bagi setiap peramal. Garis panduan biasa ialah sekurang-kurangnya kira-kira sepuluh peristiwa hasil bagi setiap peramal; kurang risiko anggaran yang tidak stabil dan terlalu sesuai.

Kesalahan biasa

Mentafsir nisbah kemungkinan sebagai nisbah risiko

Apabila hasilnya adalah sama, nisbah kemungkinan akan melebih-lebihkan risiko relatif. Pastikan model tersebut melaporkan nisbah kemungkinan, bukan risiko relatif.

Terlalu banyak peramal yang sesuai

Menggabungkan banyak pembolehubah ke dalam model dengan sedikit peristiwa menghasilkan selang masa yang luas dan anggaran yang tidak boleh dipercayai. Hormati garis panduan peristiwa-per-pembolehubah.

Mengabaikan kesesuaian dan diskriminasi model

Model boleh menghasilkan nisbah kemungkinan tetapi tidak sepadan dengan baik. Laporkan penentukuran dan diskriminasi (contohnya, kawasan di bawah lengkung ROC ).

Pekali pelaporan dan bukannya nisbah kemungkinan

Pekali log-odds mentah sukar untuk ditafsirkan. Eksponenkannya kepada nisbah odds dan tunjukkan selang keyakinan 95%.

Soalan Lazim

Apakah maksud nisbah kemungkinan yang diselaraskan?

Ia adalah nisbah kemungkinan untuk satu peramal sambil mengekalkan pembolehubah lain dalam pemalar model, mengasingkan perkaitan bebas peramal tersebut.

Berapa banyak peramal yang boleh saya sertakan?

Sebagai peraturan umum, kekalkan kira-kira satu peramal bagi setiap sepuluh peristiwa hasil untuk mengelakkan pemadanan berlebihan. Dengan lebih banyak peramal daripada sokongan data, anggaran menjadi tidak stabil.

Bilakah saya perlu menggunakan regresi linear?

Gunakan regresi linear untuk hasil yang berterusan. Regresi logistik adalah untuk hasil binari.

Adakah hasilnya sepadan dengan SPSS, R, dan Stata?

Ya. Kalkulator memadankan model dengan kemungkinan maksimum seperti glm() dalam R dan menunjukkan arahan R yang tepat supaya anda boleh menghasilkannya semula.

Kalkulator Berkaitan

Nisbah Kemungkinan & RR Regresi Linear Berbilang Keluk ROC & AUC Selang Keyakinan Saiz & Kuasa Sampel Ujian Mana Yang Patut Saya Gunakan?

Rujukan

Stoltzfus JC. Regresi logistik: buku asas ringkas. Akademi Emerg Med. 2011;18(10):1099–1104. PMID 21996075.
Jenama R, Keirse MJ. Menggunakan regresi logistik dalam epidemiologi perinatal: pengenalan untuk penyelidik klinikal. Bahagian 1: konsep asas. Pediatr Perinat Epidemiol. 1990;4(1):22–38. PMID 2320497.
Hosmer DW, Lemeshow S, Sturdivant RX. Regresi Logistik Gunaan. Edisi ke-3. Hoboken, NJ: Wiley; 2013.

Perlu Analisis Ini Dilakukan untuk Manuskrip Anda?

Ahli biostatistik PhD kami membina model regresi logistik anda, melaporkan nisbah kemungkinan yang diselaraskan dengan selang keyakinan dan menyampaikan plot hutan sedia untuk penerbitan dengan output R yang boleh dihasilkan semula.

Dapatkan Bantuan Statistik Pakar