R-Square (U) dans les tableaux de contingenceSalut à tous,
J'avais une question sur le rapport d'incertitude R-carré dans les tableaux de contingence (placés dans le même tableau que DOF et loglikelihood). Je fais actuellement des recherches où j'ai trouvé une signification dans ma valeur p (alpha = 0,05), mais la valeur R-carré est proche de 0. Maintenant, je suis conscient qu'en continu vs continu, une valeur R est utilisée pour déterminer la corrélation entre les deux variables.
Ma question est la suivante : Quelle est la pertinence de la valeur Rsquare dans un tableau de contingence sur mes conclusions ?
J'ai pu rejeter l'hypothèse nulle via ma valeur p, mais comme je l'ai mentionné précédemment, le Rsquare est très proche de 0, ce qui me rend incertain si je dois continuer avec l'hypothèse alternative à l'esprit.
Merci d'avance!
Objet : R-carré (U) dans les tableaux de contingenceLa régression logistique est utilisée avec les réponses catégorielles. C'est analogue à la régression linéaire pour une réponse continue, mais pas exactement la même chose. L'analyse de régression linéaire de la variance est basée sur la somme des écarts au carré. La statistique d'échantillon R carré est le rapport de la somme des carrés du modèle à la somme totale des carrés corrigée. Il suppose que la somme des carrés des erreurs n'inclut aucun effet fixe qui n'a pas été inclus dans le modèle. C'est-à-dire qu'il suppose que le modèle est sans biais. Ceci est important car la somme des carrés dépend du modèle sélectionné. R carré est une mesure de la performance de la prédiction.
Le R au carré (U) est basé sur le logarithme négatif de la vraisemblance ou de l'incertitude (U) des paramètres du modèle. Cette statistique d'échantillon est le rapport de la différence entre le log de vraisemblance des modèles complet et réduit et le log de vraisemblance du modèle réduit. Comme dans le cas de la régression linéaire, il suppose qu'il n'y a pas de manque significatif d'ajustement par déviance. R carré (U) est également une mesure de la performance de la prédiction.
Je ne vois pas comment vous pouvez obtenir le carré R pour un modèle logistique. Le carré R généralisé est une tentative de fournir une valeur plus proche de ce que l'on attend de la régression linéaire. Est-ce la valeur à laquelle vous faites référence ? La signification et l'interprétation de la valeur ajustée ne sont pas claires.
D'une manière générale, le R carré (U) pour une réponse catégorique est souvent très faible pour un modèle avec des prédicteurs significatifs et aucun manque d'ajustement. Cela signifie qu'il y a une grande incertitude dans la réponse prévue.
Objet : R-carré (U) dans les tableaux de contingence@Mark_Bailey Pouvez-vous expliquer comment interpréter la valeur R^2(U) ? R^2 indique combien de variabilité peut être expliquée par l'équation si je comprends bien, alors le R^2(U) dit-il la même chose pour une régression logistique ? Étant donné que cette valeur est beaucoup plus petite, comment interpréteriez-vous à quel point cela est significatif ? Je travaille avec des données écologiques pour le contexte. Savez-vous si, lorsque vous signalez un modèle, souhaitez-vous utiliser le R^2(U) ou le R^2 (que j'ai trouvé dans la fenêtre Fit Stepwise) - quel nombre est le plus pertinent pour une régression logistique ?
Objet : R-carré (U) dans les tableaux de contingenceGénial,
Merci!
Objet : R-carré (U) dans les tableaux de contingenceVous pouvez interpréter le RCarré (U) de la même manière que vous interpréteriez R Carré d'une régression linéaire. Le R Carré est basé sur des sommes de carrés : SS(modèle) / SS(total) . RCarré (U) est de même -L(modèle) / -L(réduit) . Il vous indique la proportion de l'incertitude totale prise en compte par le modèle, en supposant qu'il s'agit du modèle correct.
Cette relation est plus facile à voir dans Ajustement logistique que dans Contingence parce que Contingence ne rapporte que le -L(modèle) . C'est l'analyse de âge par lester depuis Grande classe exemple de tableau de données :
Le -L(modèle) ci-dessus est étiqueté Différence ici. Le -L(totale) ci-dessus est étiqueté Réduit ici. Le RCarré (U) est donc Différence / Réduit = 5,037918 / 67,266350 = 0,0749 .
Il est courant qu'un modèle statistiquement significatif d'une réponse catégorique présente une très faible RCarré (U) comme le montre cet exemple. Comme son modèle continu R Carré contrepartie, il indique la performance de la prédiction conditionnelle par rapport à la prédiction marginale.
