R: Calculer et interpréter les odds ratio de régression logistique
J'ai de la difficulté à interpréter les résultats d'une régression logistique. Ma variable de résultat est Decision
et est binaire (0 ou 1, de ne pas prendre ou de prendre un produit, respectivement).
Ma variable prédictive est Thoughts
et est continue, peut être positive ou négative, et est arrondi à la 2ème décimale.
Je veux savoir comment la probabilité de la prise du produit des changements que Thoughts
changements.
L'équation de régression logistique est:
glm(Decision ~ Thoughts, family = binomial, data = data)
Selon ce modèle, Thought
s a un impact significatif sur la probabilité de Decision
(b = .72, p = .02). Pour déterminer le rapport de cotes de Decision
en fonction de Thoughts
:
exp(coef(results))
Odds ratio = 2.07.
Questions:
-
Comment dois-je interpréter le rapport de cotes?
- Un odds ratio de 2,07 qui implique une .01 augmentation (ou la diminution) de l'
Thoughts
affecter les chances de prendre (ou ne pas prendre) le produit par 0.07 OU - N'implique que
Thoughts
augmente (diminue) par .01, les chances de prendre (ne pas prendre) le produit de l'augmentation (la diminution) par environ 2 unités?
- Un odds ratio de 2,07 qui implique une .01 augmentation (ou la diminution) de l'
-
Comment puis-je convertir des odds ratio de
Thoughts
à une estimation de la probabilité deDecision
?
Ou puis-je estimer la probabilité deDecision
à un certainThoughts
score (c'est à dire calculer la probabilité estimée de la prise du produit lorsqueThoughts == 1
)?
OriginalL'auteur Sudy Majd | 2016-12-29
Vous devez vous connecter pour publier un commentaire.
Le coefficient retourné par une régression logistique dans r est un logit, ou le journal de la cote. Pour convertir les logits de rapport de cotes, vous pouvez exponentiate, comme vous l'avez fait ci-dessus. Pour convertir les logits de probabilités, vous pouvez utiliser la fonction
exp(logit)/(1+exp(logit))
. Cependant, il ya certaines choses à noter à propos de cette procédure.D'abord, je vais utiliser certaines des données reproductibles pour illustrer
Ce retourne:
Les coefficients indiqués sont pour les logits, tout comme dans votre exemple. Si nous relevons ces données et de ce modèle, nous voyons que la fonction sigmoïde qui est caractéristique d'une logistique ajustement du modèle aux données binomiales
Remarque que le changement de probabilités est pas constant, la courbe monte d'abord lentement, puis plus rapidement dans le milieu, puis les niveaux à la fin. La différence de probabilités entre 10 et 12 est de loin inférieure à la différence de probabilités entre 12 et 14. Cela signifie qu'il est impossible de résumer les relations entre l'âge et les probabilités avec un nombre sans transformation des probabilités.
Pour répondre à vos questions:
Comment interprétez-vous les rapports de cotes?
L'odds ratio de la valeur de l'ordonnée à l'origine est la cote d'un "succès" (dans vos données, c'est la cote de la prise du produit) lorsque x = 0 (c'est à dire zéro pensées). L'odds ratio pour votre coefficient est l'augmentation de la cote au-dessus de cette valeur de l'ordonnée à l'origine lorsque vous ajoutez une valeur de x (c'est à dire x=1; on a pensé). À l'aide de la ménarche de données:
Nous pourrions interpréter ce que les chances de la ménarche survenu à l'âge de = 0 est .00000000006. Ou, pour ainsi dire impossible. Exponentiating l'âge coefficient nous dit de l'augmentation attendue de la cote de la ménarche, pour chaque unité de l'âge. Dans ce cas, c'est un peu plus d'un quintupling. Un odds ratio de 1 indique pas de changement, alors qu'un odds ratio de 2 indique un doublement, etc.
Votre rapport de cote de 2.07 implique que 1 unité augmentation des "idées" augmente les chances de prendre le produit par un facteur de 2,07.
Comment convertir des odds ratios de pensées à une estimation de la probabilité de la décision?
Vous avez besoin de le faire pour certaines valeurs de pensées, parce que, comme vous pouvez le voir dans le graphique ci-dessus, le changement n'est pas constante sur toute la plage de valeurs de x. Si vous voulez que la probabilité d'une certaine valeur pour les pensées, obtenir la réponse comme suit:
Bienvenue DONC! Si vous acceptez triddles réponse, veuillez cliquer sur le bouton vert de la marque à côté de la réponse. Ce faisant, vous l'honneur de la personne qui a répondu et la marque de la question comme résolue.
C'est une excellente approfondie de la réponse. Quelles sont les implications pour l'interprétation si vous avez mis à l'échelle de votre covariables avant de modélisation? Si vous "unscale" avant d'examiner les rapports de cotes, et même travailler?
Si vous avez mis prédicteurs, alors l'interprétation est la même, sauf le "changement d'une unité" signifie 1 écart-type. Si vous souhaitez que les valeurs de mise à l'échelle et non mis à l'échelle de prédicteurs, il est probablement plus facile juste pour s'adapter à deux modèles distincts: l'un avec eux une échelle, et un avec eux non mis à l'échelle.
OriginalL'auteur triddle
Cotes et les probabilités sont deux mesures différentes, à la fois pour atteindre le même objectif de mesurer la probabilité d'un événement de se produire. Ils ne doivent pas être comparés les uns aux autres, seulement entre eux!
Alors que la cote de deux valeurs prédictives (tout en maintenant les autres constants) sont comparées à l'aide de "odds ratio" (odds1 /odds2), la même procédure pour la probabilité est appelé "ratio de risque" (probability1 /probability2).
En général, les chances sont privilégiées à l'encontre de probabilité quand il s'agit de ratios car la probabilité est faible entre 0 et 1, tandis que les cotes sont définies à partir de -inf à +inf.
Facilement calculer les odds ratios, y compris leurs intervalles de confiance, voir la
oddsratio
package:Ici, vous pouvez simplement spécifier l'incrément de vos variables continues et voit le résultat de rapports de cotes. Dans cet exemple, la réponse
admit
est 55 fois plus de chances de se produire lorsque prédicteurgpa
est augmenté par5
.Si vous voulez prévoir les probabilités avec votre modèle, il suffit d'utiliser
type = response
lors de la prédiction de votre modèle. Cela va automatiquement convertir journal de chances de probabilité. Ensuite, vous pouvez calculer les ratios de risque de les probabilités calculées. Voir?predict.glm
pour plus de détails.or_glm
plutôt quecalc.oddsratio.glm
Merci, j'ai mis à jour le code. Content de vous trouver le paquet utile!
N'avais pas réalisé que vous étiez l'auteur! Merci beaucoup pour le fournir!
OriginalL'auteur pat-s