Bez keyvorda

Kolichestvo zaregistirirovannyx uchchichsya: 20 tys.

Ushbu kirish kursi SAS / STAT dasturidan foydalangan holda statistik tahlillarni amalga oshiradigan SAS dasturiy ta'minot foydalanuvchilari uchun mo'ljallangan. Asosiy e'tibor t testlari, ANOVA va chiziqli regressiyaga qaratilgan bo'lib, logistik regressiya haqida qisqacha ma'lumotni o'z ichiga oladi.

Retsenzii

U statistik tushunchalarni juda yaxshi biladi va aniq va aniq tushuntirishga qodir. Jargonlar bilan to'ldirilgan va guruhga oid uy vazifalari bilan to'ldirilgan boshqa yuqori maktab sinflaridan yaxshiroqdir.

Hatto boshlang'ich uchun qo'llanma darsi. Bu sizga SAS dasturlash va tahlillaringizning statistik talqinlariga katta e'tibor berib, statistik ma'lumotlarning umumiy ko'rinishini beradi.

Ma'lumotlarni kategorik tahlil qilish

Ushbu modulda gipoteza testlari yordamida predikatorlar va ikkilik javoblar o'rtasidagi aloqalarni qidirasiz. Keyin siz logistik regressiya modelini yaratasiz va javob va bashorat qiluvchilar o'rtasidagi munosabatni qanday tavsiflashni o'rganasiz. Va nihoyat, siz noma'lum holatlarni bashorat qilish uchun model yoki klassifikatorni yaratish uchun logistik regressiyadan qanday foydalanishni o'rganasiz.

Prepodavateli

Jordan Beykerman

Analitik trening bo'yicha maslahatchi

Tekst video

Oldingi namoyishdan olingan koeffitsientlar koeffitsientini talqin qilishga yordam berish uchun logistika regressiya modelidan koeffitsientlar va koeffitsientlar nisbati qanday hisoblanishini ko'rib chiqamiz. Basement_Area kabi doimiy prognozli o'zgaruvchiga koeffitsientlar koeffitsienti taxminiy o'zgaruvchining bir birlik farqi bilan bog'liq bo'lgan koeffitsientlarning ko'payishi yoki kamayishini o'lchaydi. Esingizda bo'lsin, logit - bu koeffitsientlarning tabiiy jurnali. Logistik modeldan taxminiy logitni hisoblashingiz mumkinligi sababli, koeffitsientlarni ushbu qiymatni shunchaki darajaga etkazish orqali hisoblash mumkin. Bir birlik farqi uchun koeffitsient koeffitsienti - bu bir-biridan bir-biridan ajralib turadigan, bashorat qilingan logitlarning nisbati. Basement_Area uchun koeffitsientlar koeffitsienti shuni ko'rsatadiki, poydevor maydonining har kvadrat metridagi har bir o'sish uchun bonusga ega bo'lish koeffitsienti 0,7% ga oshadi. 95% ishonch oralig'i, chunki 1.005 dan 1 gacha.010, 1.000 ni o'z ichiga olmaydi, koeffitsientlar nisbati 0.05 alfa darajasida sezilarli bo'ladi va shuning uchun Basement_Area bashorat qiluvchisi 0 dan sezilarli farq qiladi. Profilning ishonchlilik intervallari Voldga asoslangan ishonch oralig'idan farq qiladi. Bu farq Wald ishonch oralig'ida odatdagi xato taxminidan foydalanganligi sababli, profilning ishonchlilik intervallari jurnal ehtimolligi qiymatiga asoslanadi. Ushbu ehtimollik nisbati ishonch oralig'i juda ko'p sonli hisob-kitoblarni talab qiladi, lekin odatda Wald ishonch oralig'idan afzalroq, ayniqsa 50 dan kichik namunalar uchun. Odds Ratio jadvali grafik koeffitsientlar koeffitsienti jadvalini aks ettiradi. Ushbu uchastka logistika modelidan parametrlarni prognozchilar qiymatlariga qo'llash orqali olinadi,keyin bashoratlarni ehtimollik o'lchoviga aylantirish. Yo'naltiruvchi chiziq nol gipotezani ko'rsatadi, koeffitsientlar nisbati 1 ga teng. Ishonch oralig'i mos yozuvlar chizig'ini kesib o'tganda, o'zgaruvchining ta'siri ahamiyatli emas. Kategorik o'zgaruvchilar uchun koeffitsientlarni hisoblash va izohlash doimiy o'zgaruvchilarnikiga o'xshaydi. Tasavvur qiling, biz Basement_Area o'rniga Lot_Shape_2 predictori bilan logistik regressiya modeliga mos kelamiz. Lot_Shape_2 faqat ikkita darajaga ega, muntazam va tartibsiz. $ P $ logiti, shuningdek, bizning modelimiz uchun chiziqli prognozga teng: -0 + -1 * Lot_Shape_2. Bunday holda, biz ortiqcha darajani ifodalash uchun muntazam darajadan foydalanamiz. Shunday qilib, muntazam lot shakllari 0, tartibsiz lot shakllari esa 1 deb kodlanadi, tartibsiz lot shakli uchun koeffitsient olish uchun biz darajadagi chiziqli bashoratchini ko'rsatamiz. Birinchidan,$ Lot_Shape_2 $ uchun $ 1 $ o'rnini $ \ frac {0} + \ frac {1} $ olish uchun chiziqli bashorat qiluvchi sifatida olamiz. Keyin, biz $ \ frac {0} $ va $ \ frac {1} $ uchun olingan parametrlarni qo'shamiz va yig'indini ko'rsatamiz. Muntazam lot shakli uchun koeffitsientni olish uchun biz xuddi shu jarayonga amal qilamiz. Dastlab, Lot_Shape_2 uchun 0 o'rnini egallab, β0 chiziqli predictordir. Keyin $ \ frac {0} $ uchun olingan parametrni baholaymiz va uni yuqori darajaga ko'taramiz. Keyin koeffitsientlar tartibsiz lot shakli uchun koeffitsient bo'lib, muntazam lot shakli uchun koeffitsientga bo'linadi. Matematik jihatdan bu $ ^ ^ (-_1) $ ga teng, shuning uchun biz hozirda hisoblagan ikkita qiymatni ajratishimiz mumkin yoki $ -1 $ uchun olingan parametrlarni baholashimiz va uni darajalashimiz mumkin.Muntazam lot shakli uchun koeffitsientni olish uchun biz xuddi shu jarayonga amal qilamiz. Dastlab, Lot_Shape_2 uchun 0 o'rnini egallab, β0 chiziqli bashorat qiluvchi sifatida olamiz. Keyin $ \ frac {0} $ uchun olingan parametrni baholaymiz va uni yuqori darajaga ko'taramiz. Keyin koeffitsientlar tartibsiz lot shakli uchun koeffitsient bo'lib, doimiy lot shakli uchun koeffitsientga bo'linadi. Matematik jihatdan bu $ ^ ^ (-_1) $ ga teng, shuning uchun biz hozirda hisoblagan ikkita qiymatni ajratishimiz mumkin yoki $ -1 $ uchun olingan parametrlarni baholashimiz va uni darajalashimiz mumkin.Muntazam lot shakli uchun koeffitsientni olish uchun biz xuddi shu jarayonga amal qilamiz. Dastlab, Lot_Shape_2 uchun 0 o'rnini egallab, β0 chiziqli predictordir. Keyin $ \ frac {0} $ uchun olingan parametrni baholaymiz va uni yuqori darajaga ko'taramiz. Keyin koeffitsientlar tartibsiz lot shakli uchun koeffitsient bo'lib, doimiy lot shakli uchun koeffitsientga bo'linadi. Matematik jihatdan bu $ ^ ^ (-_1) $ ga teng, shuning uchun biz hozirda hisoblagan ikkita qiymatni ajratishimiz mumkin yoki $ -1 $ uchun olingan parametrlarni baholashimiz va uni darajalashimiz mumkin.shuning uchun biz hozirda hisoblagan ikkita qiymatni ajratishimiz mumkin yoki shunchaki $ -1 $ uchun olingan parametrlarni baholashimiz va uni darajalashimiz mumkin.shuning uchun biz hozirda hisoblagan ikkita qiymatni ajratishimiz mumkin yoki shunchaki $ -1 $ uchun olingan parametrlarni baholashimiz va uni darajalashimiz mumkin.