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

6. RANGINĖ LOGISTINĖ REGRESINĖ ANALIZĖ
6.1. Ranginės logistinės regresijos modelis
        6.1.7. Pastabos apie ranginės regresijos taikymą

  • Gali būti ir vienas regresorius.

  • Pseudokintamieji aprašomi taip pat, kaip ir tiesinėje regresijoje.

  • Jeigu turime abejonių dėl ranginės regresijos modelio tikimo, visada galima išbandyti daugianarės logistinės regresijos modelį. Atrodytų, kad daugianarės logistinės regresijos modelis yra tikslesnis, ir ranginė logistinė regresija iš viso nebereikalinga. Vis dėlto, yra pavyzdžių, kai duomenims ranginės logistinės regresijos modelis tinka, o daugianarės logistinės regresijos modelis – ne .

  • Aprašymuose neretai apsiribojama bendruoju teisingų klasifikavimų procentu. Tai nėra blogai. Tik reikia nepamiršti, kad gerai atpažinti turi visas Y kategorijas.

  • Jeigu nagrinėjame galimybę (tikimybių santykį) P(Y ≤ j)/P(Y> j), tai galimybių santykiu vadinamas  (prie daugiklio atsiranda minusas).

  • Galimos ir kitos jungties funkcijos, ne tik logaritminė. Jas galima taikyti klasifikavimui, bet nebebus teisinga galimybių santykių interpretacija. Be to, terminas logistinė regresija tada nenaudotinas, reikia kalbėti apie vieną, ar kitą ranginės regresijos modelį. Paminėsime kelias jungties funkcijas, kurias galima naudoti, kai svarbus tik teisingas klasifikavimas:

    • Dvigubas logaritmas (log-log). Modelis atrodo taip:

    Šią jungties funkcija rekomenduojama naudoti, kai didesnės Y reikšmės labiau tikėtinos, nei mažesnės.

    • Neigiamas dvigubas logaritmas (negative log-log). Modelis atrodo taip

    Šią jungties funkcija rekomenduojama naudoti, kai mažesnės Y reikšmės labiau tikėtinos, nei didesnės.

    • Atvirkštinis Koši skirstinys (Cauchit). Tikimybė išreiškiama per Koši  pasiskirstymo funkciją. Modelio lygties nepateiksime nes ji labai sudėtinga. Užtikriname, kad Koši pasiskirstymo funkcija yra pakankamai bjauri, kad praeitų bet koks noras šį modelį skaičiuoti „rankomis“. Koši jungties funkcija rekomenduojama naudoti tada, kai yra daug išskirtinai didelių ir/ar mažų Y reikšmių.

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 2018-09-27