Svečias
Titulinis Mokymai Mokymų medžiaga Metodologiniai paketai Taikomoji regresija
Apie mokymus
Mokomieji duomenys
E. mokymai
TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE
TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE

Pavyzdinis metodologinis mokomasis studijų paketas

TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE

Autorus Prof. habil. dr. Vydas Čekanavičius

Ankstesnis dokumentas Turinys  Literatūros sąrašas Duomenų šaltiniai Sekantis dokumentas

4. DVINARĖ LOGISTINĖ REGRESINĖ ANALIZĖ
4.1. Dvinarės logistinės regresijos modelis
       4.1.7. Modelio tobulinimas

Modelio tobulinimas reiškia regresorių šalinimą arba jų transformaciją. Transformacija (logaritmavimas ir pan.)  retai kada padeda, bet pabandyti visada galima.

Pašalinus bent vieną kintamąjį, keičiasi visos modelio charakteristikos: visos p reikšmės, klasifikacinė lentelė, determinacijos koeficientai.

Modelis tobulinamas, jeigu yra problemų:

  1. Yra statistiškai nereikšmingas regresorius (jam Voldo kriterijaus  p ≥ 0,05). Regresorius pašalinamas iš modelio ir logistinė regresinė analizė pakartojama be jo. Viskas gerai, jeigu klasifikacinėje lentelėje teisingai klasifikuotų atvejų sumažėjo nežymiai (kartais teisingų klasifikavimų net padaugėja). Ką reiškia nežymiai, sprendžia pats tyrėjas. Jeigu teisingai klasifikuotų atvejų sumažėja radikaliai, tai regresorių į modelį gražiname. Aprašydami tada konstatuosime, kad „regresorius buvo statistiškai nereikšmingas. Vis  dėlto jis paliktas modelyje, nes be jo labai sumažėja teisingų klasifikavimų procentas“.

  2. Yra multikolinearumo problema. Multikolinearumas reiškia, kad modelyje yra stipriai koreliuotų  regresorių, kurie iškreipia tikrąsias kintamųjų priklausomybes (modelyje atsiranda neįtikėtini koeficientų ženklai). Tada pasitikrinama, ar intervaliniai regresoriai stipriai koreliuoja. Jeigu taip – tai dalį regresorių pašaliname. Šalinami tie regresoriai, kurių standartinės paklaidos SE koeficientų lentelėje prie Voldo kriterijaus reikšmių yra didžiausios.

    Kai kurie autoriai pataria palikti tik tuos regresorius, kurių SE neviršija 5.

    Kartais (jeigu toks veiksmas prasmingas) stipriai koreliuojančius regresorius keičiame jų vidurkiu.

  3. Yra išskirčių. Jeigu visi DFB ≤ 1 , o daliai stebėjimų Kuko matai nedaug viršija 1 (arba atvirkščiai), tai modelis laikomas pakankamai geru. Žinoma, aprašymuose tada ir figūruoja tik DFB (Kuko matas). Apskritai nederėtų to 1 suabsoliutinti. Nieko jau taip blogo neįvyks, jeigu ir DFB ir Kuko matas nedaug viršys 1. Kartais išskirtį galima pašalinti (pavyzdžiui, įtarus vedimo klaidą ar gryną atsitiktinumą). Jeigu modelyje yra gyvybiškai svarbi piktybinė išskirtis, tai (deja, deja) modelis yra netinkamas. Teks verstis be regresinio modelio.

  4.  Pasirinktasis determinacijos pseudokoeficientas < 0,20. Galima pabandyti pasirinkti kitą koeficientą (pavyzdžiui, Nagelkerkės, o ne Kokso-Snelo). Be to, logistinėje regresijoje nėra labai svarbu, jeigu determinacijos koeficientas mažas. Jeigu R2 = 0,15, o visos kitos charakteristikos rodo gerą modelio tikimą, tai tariama, kad modelis yra tinkamas. 

NAUJIEMS VARTOTOJAMS
NAUJIENOS
Naujienlaiškis

Nr.1  2009 07-11
Nr.2  2009 12-2010 02
Nr.3  2010 03-05
Nr.4  2010 06-08
Nr.5  2010 09-11
Nr.6  2010 12-2011 02
Nr.7 2011 03-05
Nr.8 2011 06-08
 
© KTU Politikos ir viešojo administravimo institutas
Atnaujinta 2015-06-18