R: Berechnen und interpretieren odds ratio der logistischen regression
Ich habe Probleme bei der Interpretation der Ergebnisse einer logistischen regression. Mein Ergebnis-variable ist Decision
und Binär (0 oder 1, nicht nehmen oder nehmen Sie ein Produkt, beziehungsweise).
Meine Vorhersage-variable ist Thoughts
und kontinuierlich ist, kann positiv oder negativ sein und ist, aufgerundet auf die 2. Dezimalstelle.
Ich möchte wissen, wie die Wahrscheinlichkeit, die das Produkt, die änderungen als Thoughts
änderungen.
Die Logistische Regressionsgleichung lautet:
glm(Decision ~ Thoughts, family = binomial, data = data)
Nach diesem Modell Thought
s hat einen signifikanten Einfluss auf die Wahrscheinlichkeit Decision
(b = .72, p = .02). Zur Bestimmung der odds ratio von Decision
als Funktion der Thoughts
:
exp(coef(results))
Odds ratio = 2.07.
Fragen:
-
Wie interpretiere ich die odds-ratio?
- Bedeutet eine odds ratio von 2,07 implizieren, dass eine .01-Zunahme (oder Abnahme) in
Thoughts
Einfluss auf die Gewinnchancen zu nehmen (oder nicht nehmen) das Produkt von 0.07 ODER - Bedeutet es, dass, wie
Thoughts
erhöht (verringert) von .01, die Verschiedenheit zu nehmen (nicht unter) die Produkt-Zunahme (Abnahme) von etwa 2 Einheiten?
- Bedeutet eine odds ratio von 2,07 implizieren, dass eine .01-Zunahme (oder Abnahme) in
-
Wie konvertiere ich eine odds-ratio von
Thoughts
zu einer geschätzten Wahrscheinlichkeit vonDecision
?
Oder kann ich die nur schätzen die Wahrscheinlichkeit desDecision
an einem bestimmtenThoughts
Punktzahl (D. H. die Berechnung der geschätzten Wahrscheinlichkeit der Einnahme des Produktes, wennThoughts == 1
)?
InformationsquelleAutor Sudy Majd | 2016-12-29
Du musst angemeldet sein, um einen Kommentar abzugeben.
Den Koeffizienten zurückgegeben durch eine Logistische regression in r ist ein logit-oder die log von der Verschiedenheit. Konvertieren logits, odds-ratio, können Sie potenzieren es, wie Sie getan haben vor. Zum konvertieren von logits zu Wahrscheinlichkeiten, können Sie die Funktion
exp(logit)/(1+exp(logit))
. Es gibt jedoch einige Dinge zu beachten, über dieses Verfahren.Erste, ich werde reproduzierbare Daten zu veranschaulichen
Zurück:
Werden die Koeffizienten angezeigt werden, die für die logits, so wie in deinem Beispiel. Wenn wir zeichnen diese Daten und dieses Modells, sehen wir die sigmoidale Funktion, ist charakteristisch für ein logistisches Modell fit für binomiale Daten
Beachten Sie, dass die änderung in die Wahrscheinlichkeiten nicht konstant ist - die Kurve steigt zunächst langsam, dann immer schneller in der Mitte, dann eben am Ende. Der Unterschied in den Wahrscheinlichkeiten zwischen 10 und 12 ist weit weniger als der Unterschied in den Wahrscheinlichkeiten zwischen 12 und 14. Dies bedeutet, dass es unmöglich zusammenfassen, das Verhältnis von Alter und Wahrscheinlichkeiten mit einer Zahl ohne Transformation der Wahrscheinlichkeiten.
Zur Beantwortung Ihrer konkreten Fragen:
Wie interpretieren Sie odds ratios?
Die odds ratio für den Wert des intercept ist die Verschiedenheit "Erfolg" (in Ihren Daten, das ist die Verschiedenheit der Einnahme des Produktes), wenn x = 0 (d.h. null Gedanken). Die odds ratio für Ihr Koeffizient ist der Anstieg der Quote über diesem Wert die abfangen, wenn Sie eine ganze x-Wert (d.h. x=1 ist; ein Gedanke). Mit der menarche Daten:
Konnten wir interpretieren dies als die Verschiedenheit der menarche Auftritt bei age = 0 ist .00000000006. Oder, im Grunde unmöglich. Exponentiating Alter Koeffizient sagt uns die erwartete Zunahme in der Verschiedenheit der menarche für jede Einheit von Alter. In diesem Fall, es ist nur über eine quintupling. Eine odds ratio von 1 bedeutet keine änderung, während eine odds ratio von 2 bedeutet eine Verdoppelung, etc.
Ihre odds ratio von 2,07 bedeutet, dass 1 Einheit erhöhen, in 'Gedanken' erhöht die Chancen, die das Produkt von einem Faktor von 2,07.
Wie wollen Sie konvertieren odds ratios von Gedanken zu einer geschätzten Wahrscheinlichkeit der Entscheidung?
Müssen Sie dies tun, für ausgewählte Werte von Gedanken, weil, wie Sie sehen können, in die Handlung über, die änderung ist nicht konstant über den Bereich der x-Werte. Wenn Sie möchten, dass die Wahrscheinlichkeit, einen Wert für Gedanken, Holen Sie sich die Antwort wie folgt:
Willkommen ALSO! Wenn Sie akzeptieren triddles Antwort, bitte klicken Sie auf die grüne Markierung neben die Antwort. Damit Sie zu Ehren der person, die beantwortet, und markieren Sie die Frage als gelöst.
Dies ist eine hervorragend ausführliche Antwort. Was sind die Implikationen für die interpretation, wenn Sie haben skaliert, Ihr kovariablen vor der Modellierung? Sollten Sie "unscale" vor Auswertung odds ratios und würde das auch funktionieren?
Wenn Sie skalierte Prädiktoren, dann die interpretation ist die gleiche, mit Ausnahme der 'eine Einheit ändern" bedeutet 1 Standardabweichung. Wenn Sie möchten, dass die Werte für den skalierten und nicht skalierten Prädiktoren, am einfachsten ist es wahrscheinlich nur um zwei verschiedene Modelle: eins mit Ihnen skaliert, und man mit Ihnen nicht skalierte.
InformationsquelleAutor triddle
Odds und Wahrscheinlichkeiten sind zwei verschiedene Maßnahmen, die beide mit den gleichen Zielen zu Messen, die Möglichkeit der ein Ereignis Auftritt. Sie sollten nicht miteinander verglichen werden, nur unter sich!
Während die Verschiedenheit von zwei Prädiktor-Werte (halten, während andere konstant) sind verglichen mit "odds ratio" (odds1 /odds2), die gleiche Prozedur für die Wahrscheinlichkeit wird als "Risiko-Verhältnis" (probability1 /probability2).
Im Allgemeinen, Verschiedenheit bevorzugt werden gegen die Wahrscheinlichkeit, wenn es um die Verhältnisse da die Wahrscheinlichkeit wird begrenzt zwischen 0 und 1, während die odds sind definiert von -inf bis +inf.
Leicht berechnen odds ratios einschließlich deren zuversichtlich Abständen finden Sie in der
oddsratio
Paket:Hier können Sie einfach geben Sie die Schrittweite für Ihre kontinuierliche Variablen und finden Sie die resultierenden odds ratios. In diesem Beispiel ist die Antwort
admit
ist 55 mal häufiger auftreten, wenn Prädiktorgpa
erhöht5
.Wenn Sie möchten, um vorherzusagen, Wahrscheinlichkeiten, mit Ihrem Modell, benutzen Sie einfach
type = response
wenn die Vorhersage Ihres Modells. Diese wird automatisch konvertieren der log-odds-Wahrscheinlichkeit. Sie können dann berechnen Risiko-Kennzahlen aus den berechneten Wahrscheinlichkeiten. Sehen?predict.glm
für mehr details.or_glm
eher alscalc.oddsratio.glm
Danke, ich aktualisierte den code. Froh, dass Sie das Paket finden, das nützlich ist!
Noch nicht realisiert waren Sie den Autor! Vielen Dank für die Bereitstellung!
InformationsquelleAutor pat-s