簡單解釋二元羅吉斯迴歸~1
文章推薦指數: 80 %
在這篇文章中,僅教導各位如何看懂報表及學會如何解釋,SPSS操做的部分以後有機會再分享,或可參考之前一篇「SAS簡易教學~二元羅吉斯迴歸分析」。
晨晰統計部落格新站(統計、SPSS、BIGDATA討論園地)
跳到主文
一個討論統計的好地方
部落格全站分類:圖文創作
相簿
部落格
留言
名片
公告版位
晨晰統計顧問有限公司在新北市板橋\服務市話:02-29602817\手機:0918-276-622\信箱:[email protected]\網址:http://www.rai-stat.com.tw
Jan19Mon201509:06
簡單解釋二元羅吉斯迴歸~1
一篇研究在經過多種量化分析的統計方法後,經常以找尋預測因子或影響因子作為Ending,所使用的統計方法即是大家常看到的迴歸分析,一般所指的迴歸分析若沒有特別強調,通常都是線性迴歸(LinearRegression),而且是多個自變項所組成的多元線性迴歸(MultipleLinearRegression),不過根據我的經驗,多數客戶學線性迴歸並沒有太大的問題,就算拿書自學也都能輕易上手;而這篇所要介紹的是從統計方法聽起來就比較難的二元羅吉斯迴歸。
二元羅吉斯迴歸與線性迴歸的差別,僅在於依變項/Outcome尺度的不同,當依變項為二類的類別變項(通常Coding1&0)時,會採用二元羅吉斯迴歸進行分析;而當依變項為連續尺度的變項時,則是使用線性迴歸。
(當依變項的水準為三類以上,則採用多項式羅吉斯迴歸)。
(我也想要上統計課程)
在這篇文章中,僅教導各位如何看懂報表及學會如何解釋,SPSS操做的部分以後有機會再分享,或可參考之前一篇「SAS簡易教學~二元羅吉斯迴歸分析」。
以下的例子為虛擬的案例,依變項是受訪者「有無受到運動傷害」(有=1、無=0),自變項則有「性別」、「運動前有無暖身」、「年齡」、「運動年數」,本例僅選擇自變項有達顯著水準的部分來做介紹,實際上,自變項未達顯著的話您也不會有太多解釋,這代表該自變項並不會影響/預測依變項。
二元羅吉斯迴歸結果的解釋並不困難,只要拆成兩個步驟來解釋,最後再合在一起即可。
首先,是自變項的部分,無論是在跑線性迴歸、羅吉斯迴歸、廣義估計方程(GEE)、階層線性模式(HLM)、一般線性模式(GLM),自變項只分連續與類別兩種解釋。
(1)連續變項比較簡單,即數字越大越會怎麼樣(後者的怎麼樣是要配合依變項的結果,所以到時與依變項結果搭配即完成敘述),因此以下表為例,年齡與運動年數都是連續變項,所以解釋即為年齡越大越怎樣、運動年數越久越怎樣;(2)而當自變項為類別變項時,大家可能聽過必須做虛擬編碼(DummyCode),沒聽過也沒關係,只要記得此時類別變項裡會指定某一類為參照組(又稱被比較組,可由研究者自行決定),參照組一旦決定,所有的類別都會被解釋成與參照組做比較,因此以下表為例,性別與運動前暖身為類別變項,我也已經指定性別部分以女性為參照組,運動前暖身以無暖身為參照組,所以解釋即為男性相較女性還要怎麼樣、有暖身相較沒暖身還要怎麼樣。
延伸閱讀
二元羅吉斯迴歸(BinaryLogisticRegression)之Gpower應用-計算samplesize或power~上
二元羅吉斯迴歸(BinaryLogisticRegression)之Gpower應用-計算samplesize或power~下
好書推薦-最適樣本數(Determiningsamplesize)林星帆顧問整理
全站熱搜
創作者介紹
晨晰部落格新站
晨晰統計部落格新站(統計、SPSS、BIGDATA討論園地)
晨晰部落格新站發表在痞客邦留言(4)人氣()
E-mail轉寄
全站分類:進修深造個人分類:迴歸與SEM此分類上一篇:迴歸分析-變項各自解釋力(二)
此分類下一篇:簡單解釋二元羅吉斯迴歸~2
上一篇:審稿回覆的幾種回應方式~晨晰統計林星帆顧問整理
下一篇:簡單解釋二元羅吉斯迴歸~2
▲top
留言列表
發表留言
熱門文章
文章分類
powerBI(38)生物醫學統計(135)迴歸與SEM(56)研究方法(67)SAS教學(54)Excel與統計軟體(57)統計應用專題(77)其他類統計知識(114)問卷知識(26)論文寫作(15)統計分析新趨勢(18)晨晰的宣傳與服務專案(56)數據話視頻(15)會員心得分享(10)新聞類(65)我們的故事(77)未分類文章(6)
最新文章
最新留言
文章精選
文章精選
2022十月(1)
2022九月(4)
2022八月(4)
2022七月(3)
2022六月(3)
2022五月(4)
2022四月(3)
2022三月(4)
2022二月(3)
2022一月(3)
2021十二月(4)
2021十一月(5)
2021十月(3)
2021九月(3)
2021八月(3)
2021七月(3)
2021六月(3)
2021五月(5)
2021四月(4)
2021三月(5)
2021二月(2)
2021一月(4)
2020十二月(4)
2020十一月(5)
2020十月(4)
2020九月(3)
2020八月(5)
2020七月(3)
2020六月(4)
2020五月(3)
2020四月(4)
2020三月(4)
2020二月(4)
2020一月(3)
2019十二月(4)
2019十一月(4)
2019十月(4)
2019九月(3)
2019八月(3)
2019七月(3)
2019六月(4)
2019五月(4)
2019四月(5)
2019三月(4)
2019二月(3)
2019一月(4)
2018十二月(4)
2018十一月(4)
2018十月(5)
2018九月(3)
2018八月(3)
2018七月(5)
2018六月(4)
2018五月(4)
2018四月(5)
2018三月(3)
2018二月(3)
2018一月(5)
2017十二月(4)
2017十一月(4)
2017十月(4)
2017九月(4)
2017八月(4)
2017七月(4)
2017六月(4)
2017五月(3)
2017四月(3)
2017三月(5)
2017二月(3)
2017一月(4)
2016十二月(4)
2016十一月(5)
2016十月(4)
2016九月(4)
2016八月(5)
2016七月(4)
2016六月(4)
2016五月(4)
2016四月(5)
2016三月(5)
2016二月(4)
2016一月(5)
2015十二月(4)
2015十一月(5)
2015十月(4)
2015九月(4)
2015八月(4)
2015七月(4)
2015六月(5)
2015五月(4)
2015四月(3)
2015三月(5)
2015二月(3)
2015一月(4)
2014十二月(5)
2014十一月(4)
2014十月(4)
2014九月(5)
2014八月(4)
2014七月(4)
2014六月(5)
2014五月(4)
2014四月(4)
2014三月(5)
2014二月(3)
2014一月(4)
2013十二月(6)
2013十一月(4)
2013十月(5)
2013九月(5)
2013八月(4)
2013七月(5)
2013六月(4)
2013五月(4)
2013四月(6)
2013三月(4)
2013二月(4)
2013一月(6)
2012十二月(4)
2012十一月(4)
2012十月(6)
2012九月(4)
2012八月(4)
2012七月(9)
2012六月(4)
2012五月(5)
2012四月(4)
2012三月(3)
2012二月(4)
2012一月(4)
2011十二月(4)
2011十一月(6)
2011十月(4)
2011九月(5)
2011八月(5)
2011七月(4)
2011六月(4)
2011五月(5)
2011四月(4)
2011三月(5)
2011二月(3)
2011一月(4)
2010十二月(5)
2010十一月(5)
2010十月(4)
2010九月(5)
2010八月(5)
2010七月(5)
2010六月(5)
2010五月(4)
2010四月(5)
2010三月(6)
2010二月(5)
2010一月(6)
2009十二月(5)
2009十一月(5)
2009十月(6)
2009九月(5)
2009八月(8)
2009七月(7)
2009六月(6)
2009五月(4)
2009四月(4)
2009三月(4)
2009二月(4)
2009一月(4)
2008十二月(8)
2008十一月(9)
2008十月(8)
2008九月(9)
2008八月(10)
2008七月(10)
2008六月(13)
2008五月(13)
2008四月(10)
2008三月(9)
2008二月(9)
2008一月(10)
2007十二月(10)
2007十一月(12)
2007十月(13)
2007九月(10)
2007八月(9)
2007七月(6)
2007六月(7)
所有文章列表
文章搜尋
新聞交換(RSS)
誰來我家
參觀人氣
本日人氣:
累積人氣:
QRCode
POWEREDBY
(登入)
{{article.user_name}}
{{article.timestamp*1000|date:'MMM.dd.y.hh.mm'}}
{{article.title}}
{{article.content}}
我要留言
回到頁首
回到主文
免費註冊
客服中心
痞客邦首頁
©2003-2022PIXNET
關閉視窗
PIXNET
Facebook
Yahoo!
Google
MSN
{{guestName}}
(登出)
您尚未登入,將以訪客身份留言。
亦可以上方服務帳號登入留言
請輸入暱稱(最多顯示6個中文字元)
請輸入標題(最多顯示9個中文字元)
請輸入內容(最多140個中文字元)
請輸入左方認證碼:
看不懂,換張圖
請輸入驗證碼
送出留言
延伸文章資訊
- 1簡單解釋二元羅吉斯迴歸~1
在這篇文章中,僅教導各位如何看懂報表及學會如何解釋,SPSS操做的部分以後有機會再分享,或可參考之前一篇「SAS簡易教學~二元羅吉斯迴歸分析」。
- 2R-web 資料分析應用:邏輯斯迴歸分析
頁2. ➢ 邏輯斯迴歸分析( Logistic Regression Analysis ). 邏輯斯迴歸是用來分析與解釋一個名義尺度的反應變數與一個以上. 的解釋變數間之關係,基本假設與線性迴歸...
- 3邏輯迴歸是什麼? - TIBCO Software
二元羅吉斯迴歸:這種迴歸的分類反應只有兩種可能結果。如上例所示:學生及格或失敗。 · 多元羅吉斯迴歸:這種迴歸的反應變數可以包含三個或更多變數,變數之間沒有排列順序 ...
- 4二元邏輯迴歸 - IBM
- 5研究統計分析的介紹與應用(進階)
➢Yate's 校正數. Chi-square. (χ2 ) test. McNemar's test. 2 ... 單變數邏輯. 斯迴歸分析. (Univariate. Logistic. R...