Comment fonctionne la régression logistique ?

Définition. La régression logistique est un modèle statistique permettant d'étudier les relations entre un ensemble de variables qualitatives Xi et une variable qualitative Y. Il s'agit d'un modèle linéaire généralisé utilisant une fonction logistique comme fonction de lien.

Lire la suite

Comment faire une régression logistique ?

Pour réaliser une régression logistique, il est nécessaire d'avoir un nombre suffisant de données. En pratique, il est recommandé d'avoir au moins 10 fois plus d'événements que de paramètres dans le modèle. En appliquant la fonction summary() nous voyons trois lignes, il y a donc 3 paramètres.

La première ligne montre la régression linéaire ordonnée, la deuxième ligne montre la régression logistique et la troisième ligne montre la régression quadratiche.
# Régression linéaire ordonnée reg_line <- lm ( logit ( n ) ~ 1 + x , data = d ) summary ( reg_line )
Residuals: Min 1Q Median 3Q Max -1.3012 -0.9808 -0.5259 1.3166 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.0246 0.0076 9.5381 0.0000 x 1.0246 0.0076 9.5381 0.0000
# Régression logistique reg_log <- lm ( logit ( n ) ~ x1 + x2 + x3 , data = d ) summary ( reg_log )
Residuals: Min 1Q Median 3Q Max -0.5000 -0.3000 -0.0900 0.5000 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -0.9808 0.0037 -14.3327 0.0000 x1 -0.9808 0.0037 -14.3327 0.0000 x2 -0.5000 0.0013 -7.5000 0.0000 x3 0.5000 0.0013 3.0000 0.0000
# Régression quadratiche reg_quadr <- lm ( logit ( n ) ~ x1 + x2 + x3 + x4 , data = d ) summary ( reg_quadr )

D'ailleurs comment interpréter les résultats d'une régression logistique ? Le résultat obtenu à une régression logistique se situera toujours entre 0 et 1. Si la valeur est près de 0, la probabilité est faible que l'événement arrive, alors que si la valeur est près de 1, la probabilité est élevée.

À propos de ça quand utiliser une régression linéaire ?

La régression linéaire simple permet d'estimer les paramètres de la droite liant la variable réponse à la variable prédictive, mais elle permet également d'évaluer si cette relation est significative ou non. Pour cela, un test T est employé pour évaluer si la pente est significativement différente de 0 ou non. Quand utiliser le modèle probit ? Utilisez le modèle Probit pour voir comment évolue la probabilité d'un événement lorsque le niveau de contrainte change et pour prévoir la probabilité d'un événement pour toute valeur de contrainte dans le champ expérimental.

Correspondant, comment faire une analyse multivariée ?

Comment réaliser une analyse multivariée ?

1. Choisissez la variable à étudier Y.
2. Définir le type de modèle à utiliser : régression linéaire, logistique ou modèle de Cox.
3. Définissez les variables prédictives X.
4. Vérifiez l'absence de lien entre les variables prédictives (multicolinéarité)

Les gens demandent aussi pourquoi utiliser le modèle logit ? Le modèle logit a une double nature. D'une part, c'est un modèle de régression où la variable dépendante est binaire. D'autre part, c'est une méthode alternative à l'analyse discriminante linéaire. Par ailleurs, le modèle logit peut aussi être considéré comme un modèle économique de choix discrets.

D'ailleurs comment choisir entre probit et logit ?

La seule différence entre les mod`eles probit et logit est la spécification de F. Dans ces deux cas, la loi des résidus est symétrique, on peut donc remplacer F−ε par Fε. Par conséquent comment faire une régression logistique avec spss ? Procédure SPSS

1. Pour réaliser une régression logistique, cliquez sur Analyse, Régression, Logistique binaire.
2. Dans la première boite de dialogue, insérez la variable dépendante dichotomique dans la boîte Dépendant et les variables prédictrices dans la boîte Covariables.

Il existe plusieurs façons différentes d'effectuer une régression logistique avec SPSS. La première façon est d'utiliser la commande "REGRESSION LOGISTIQUE". Vous obtenez alors une boîte de dialogue dans laquelle vous pouvez saisir vos variables dépendantes et indépendantes. La deuxième façon est d'utiliser la commande "GENLIN". Elle vous donnera un résultat plus détaillé, mais vous devrez spécifier la fonction de liaison et les distributions des variables dépendantes et indépendantes.

En conséquence comment choisir la modalité de référence ?

Nous créerons deux indicatrices : XA qui prend la valeur 1 lorsque X = A, 0 sinon ; et XB qui est égale à 1 lorsque X = B. On identifie la configuration X = C lorsque XA et XB prennent simultanément la valeur 0. « C » est dite modalité de référence.

Il n'existe pas de réponse unique à cette question car elle dépend de l'application et de l'ensemble de données spécifiques. Voici quelques considérations courantes :
-Quel est l'objectif de la comparaison ? Par exemple, si l'objectif est d'évaluer la précision d'une nouvelle modalité, la modalité de référence doit être une modalité connue pour sa précision.
-Quelle est la nature des données ? Par exemple, si les données sont très bruyantes, une modalité moins sensible peut être plus appropriée comme référence.
-Quel est le contexte clinique ? Par exemple, si l'objectif est de comparer une nouvelle modalité à une modalité déjà utilisée dans la pratique clinique, la modalité de référence doit être celle qui est utilisée.