機率單位迴歸 - IBM

文章推薦指數: 80 %
投票人數:10人

如果未套用轉換,而且有控制組別,則該控制組別就會包含在分析中。

選取機率值 或Logit 模型。

機率單位值模型(Probit Model): 將機率單位值 ... 機率單位迴歸 本程序可測量刺激強度及表示對該刺激某項回應的觀察值比例之間的關係。

當出現認為是由一些自變數層級所影響或引起的二分輸出時,它就會很好用,而且特別適合實驗性資料。

本程序將可讓您估計引起某種回應比例(如有效劑量中位數)所需的刺激強度。

範例。

新殺蟲劑殺螞蟻的效果如何,以及合適的使用濃度為何?您可能會想執行一項實驗,讓螞蟻暴露在不同濃度的殺蟲劑之下,然後記錄殺死的及被暴露的螞蟻數量。

透過對這些資料套用機率單位迴歸,可以確定濃度和殺滅效力之間的關係緊密度,並且可以確定在希望確保殺滅一定比例(例如95%)的螞蟻時殺蟲劑的適當濃度。

統計資料。

迴歸係數與標準誤、截距與標準誤、皮爾遜適合度卡方、觀察與期望頻次分配表,以及自變數有效層級的信賴區間。

圖形:轉換後的回應值圖形。

機率單位迴歸資料考量 資料。

對自變數的每個數值(或多個自變數的每個數值組合)而言,您的回應值應為觀察值(含有顯示興趣回應的那些數值)個數的計算,而且觀察值變數總數應為含有自變數數值的觀察值總個數。

因素變數應該是類別的,而且編碼成整數。

假設。

觀察值應該是獨立的。

如果您有許多與觀察值個數有關的自變數數值(就像您在觀察的研究中可能取得的數值一樣),那卡方及適合度統計量就可能無法使用。

相關程序。

機率單位值分析與邏輯迴歸密切相關,事實上,如果您選擇對數勝算轉換,那本程序實質上就會計算邏輯迴歸。

一般來說,機率單位值分析很適合設計過的實驗,但邏輯迴歸就較適合觀察的研究。

輸出上的差別會反映出這些不同的強調之處。

機率單位值分析程序會描述有效值在不同回應率(包含有效劑量中位數)下的估計值。

而邏輯迴歸程序會描述自變數勝算比的估計值。

獲取機率單位迴歸分析 此功能需要自訂表格及進階統計量。

從功能表中選擇:分析>迴歸>機率值... 選取回應次數變數。

此變數會指出對試驗刺激有回應的觀察值個數,此變數之數值不能為負數。

選取觀察值總數變數。

此變數會指出實施刺激的觀察值個數。

此變數之數值不能為負數,而且不能小於每個觀察值回應次數變數的數值。

您可隨意選取因素變數。

如果執行此操作,則使用定義範圍來定義群組的範圍。

選取一或多個共變數。

此變數會包含應用在每個觀察值的刺激層級。

如果要轉換共變數,請從轉換下拉清單中選取一個轉換。

如果未套用轉換,而且有控制組別,則該控制組別就會包含在分析中。

選取機率值或Logit模型。

機率單位值模型(ProbitModel) 將機率單位值轉換(逆累積標準常態分佈函數)套用至回應比例。

Logit模型(LogitModel) 其會將Logit(對數勝算)轉換套用至回應比例。

此程序會貼上PROBIT指令語法。

機率值分析定義範圍 機率值分析選項 PROBIT指令其他特性 上層主題:迴歸 相關資訊 詳細範例 PROBIT



請為這篇文章評分?