Lineāra pret loģistisko regresiju
Statistikas analīzē ir svarīgi noteikt attiecības starp pētījumā iesaistītajiem mainīgajiem. Dažreiz tas var būt vienīgais pašas analīzes mērķis. Viens spēcīgs instruments, ko izmanto, lai noteiktu attiecību esamību un identificētu attiecības, ir regresijas analīze.
Vienkāršākā regresijas analīzes forma ir lineārā regresija, kur attiecības starp mainīgajiem ir lineāras attiecības. Statistikas izteiksmē tas parāda saistību starp skaidrojošo mainīgo un atbildes mainīgo. Piemēram, izmantojot regresiju, mēs varam noteikt sakarību starp preču cenu un patēriņu, pamatojoties uz datiem, kas savākti no nejaušas izlases. Regresijas analīze radīs datu kopas regresijas funkciju, kas ir matemātisks modelis, kas vislabāk atbilst pieejamajiem datiem. To var viegli attēlot ar izkliedes diagrammu. Grafiskā regresija ir līdzvērtīga dotajai datu kopai vispiemērotākās līknes atrašanai. Līknes funkcija ir regresijas funkcija. Izmantojot matemātisko modeli, var paredzēt preces izlietojumu noteiktai cenai.
Tāpēc regresijas analīze tiek plaši izmantota prognozēšanā un prognozēšanā. To izmanto arī, lai noteiktu sakarības eksperimentālos datos, fizikas, ķīmijas jomās un daudzās dabaszinātnēs un inženierzinātnēs. Ja attiecība vai regresijas funkcija ir lineāra funkcija, tad procesu sauc par lineāro regresiju. Izkliedes diagrammā to var attēlot kā taisnu līniju. Ja funkcija nav lineāra parametru kombinācija, tad regresija ir nelineāra.
Loģistiskā regresija ir salīdzināma ar daudzfaktoru regresiju, un tā izveido modeli, lai izskaidrotu vairāku prognozētāju ietekmi uz atbildes mainīgo. Tomēr loģistikas regresijā gala rezultāta mainīgajam ir jābūt kategoriskam (parasti dalītam; t.i., sasniedzamu rezultātu pāris, piemēram, nāve vai izdzīvošana, lai gan īpašas metodes ļauj modelēt vairāk kategorizētu informāciju). Nepārtrauktu iznākuma mainīgo var pārveidot par kategorisku mainīgo, ko izmantot loģistikas regresijai; tomēr nepārtrauktu mainīgo lielumu sakļaušana šādā veidā lielākoties nav ieteicama, jo tas samazina precizitāti.
Atšķirībā no lineārās regresijas, loģistiskās regresijas prognozēšanas mainīgajiem nav jābūt lineāri saistītiem, izplatītiem vai vienādiem dispersijas lielumiem katrā klasterī. Rezultātā attiecība starp prognozēšanas un iznākuma mainīgajiem, visticamāk, nebūs lineāra funkcija.
Kāda ir atšķirība starp loģistisko un lineāro regresiju?
• Lineārajā regresijā tiek pieņemta lineāra sakarība starp skaidrojošo mainīgo un atbildes mainīgo, un ar analīzi tiek atrasti parametri, kas atbilst modelim, lai iegūtu precīzu attiecību.
• Lineārā regresija tiek veikta kvantitatīviem mainīgajiem, un iegūtā funkcija ir kvantitatīvā.
• Loģistiskajā regresijā izmantotie dati var būt kategoriski vai kvantitatīvi, taču rezultāts vienmēr ir kategorisks.
