R-Quadrat (U) in KontingenztabellenHallo zusammen,
Ich hatte eine Frage zum R-Quadrat-Unsicherheitsverhältnis in Kontingenztabellen (in derselben Tabelle wie DOF und Loglikelihood platziert). Ich recherchiere derzeit und habe festgestellt, dass mein p-Wert (Alpha = 0,05) eine Bedeutung hat, der R-Quadrat-Wert jedoch nahe bei 0 liegt. Nun ist mir bewusst, dass bei kontinuierlich vs. kontinuierlich ein R-Wert verwendet wird, um die Korrelation zwischen den beiden Variablen zu bestimmen.
Meine Frage ist: Welche Bedeutung hat der Rsquare-Wert in einer Kontingenztabelle für meine Schlussfolgerungen?
Ich konnte die Nullhypothese über meinen p-Wert ablehnen, aber wie ich bereits erwähnt habe, liegt der R-Quadrat sehr nahe bei 0, was mich unsicher macht, ob ich mit der Alternativhypothese fortfahren soll.
Vielen Dank im Voraus!
Betreff: R-Quadrat (U) in KontingenztabellenDie logistische Regression wird bei kategorialen Antworten verwendet. Es ist analog zur linearen Regression für eine kontinuierliche Antwort, aber nicht genau dasselbe. Die lineare Regressionsanalyse der Varianz basiert auf der Summe quadratischer Abweichungen. Die R-Quadrat-Stichprobenstatistik ist das Verhältnis der Modellsumme der Quadrate zur korrigierten Gesamtsumme der Quadrate. Es wird davon ausgegangen, dass die Fehlerquadratsumme keine festen Effekte enthält, die nicht im Modell enthalten waren. Das heißt, es wird davon ausgegangen, dass das Modell unvoreingenommen ist. Dies ist wichtig, da die Quadratsumme vom ausgewählten Modell abhängt. R-Quadrat ist ein Maß für die Leistung der Vorhersage.
Das R-Quadrat (U) basiert auf der negativen logarithmischen Wahrscheinlichkeit oder Unsicherheit (U) der Modellparameter. Diese Stichprobenstatistik ist das Verhältnis der Differenz in der Log-Likelihood des vollständigen und des reduzierten Modells zur Log-Likelihood des reduzierten Modells. Wie bei der linearen Regression wird davon ausgegangen, dass kein signifikanter Mangel an Anpassung durch Abweichung vorliegt. R-Quadrat (U) ist auch ein Maß für die Vorhersageleistung.
Ich verstehe nicht, wie man das R-Quadrat für ein Logistikmodell erhalten kann. Das verallgemeinerte R-Quadrat ist ein Versuch, einen Wert bereitzustellen, der näher an dem liegt, was man von einer linearen Regression erwartet. Ist das der Wert, den Sie meinen? Die Bedeutung und Interpretation des angepassten Werts ist unklar.
Im Großen und Ganzen ist das R-Quadrat (U) für eine kategoriale Antwort oft sehr niedrig für ein Modell mit signifikanten Prädiktoren und keinem Mangel an Anpassung. Dies bedeutet, dass die vorhergesagte Reaktion mit großer Unsicherheit behaftet ist.
Betreff: R-Quadrat (U) in Kontingenztabellen@Mark_Bailey Können Sie erklären, wie der R^2(U)-Wert zu interpretieren ist? R^2 gibt an, wie viel Variabilität durch die Gleichung erklärt werden kann, wenn ich das richtig verstehe. Sagt R^2(U) also dasselbe für eine logistische Regression? Angesichts der Tatsache, dass dieser Wert viel kleiner ist, wie würden Sie die Aussagekraft dieses Wertes interpretieren? Ich arbeite mit ökologischen Daten für den Kontext. Wissen Sie, ob Sie beim Berichten eines Modells R^2(U) oder R^2 (das ich im Fenster „Schrittweise anpassen“ gefunden habe) verwenden möchten – welche Zahl ist für eine logistische Regression relevanter?
Betreff: R-Quadrat (U) in KontingenztabellenEindrucksvoll,
Danke schön!
Betreff: R-Quadrat (U) in KontingenztabellenSie können das interpretieren RQuadrat (U) auf die gleiche Weise, wie Sie das interpretieren würden R Quadrat aus einer linearen Regression. Der R Quadrat basiert auf Quadratsummen: SS(Modell) / SS(Gesamt) . RQuadrat (U) ebenso ist -L(Modell) / -L(reduziert) . Es zeigt Ihnen den Anteil der Gesamtunsicherheit an, der auf das Modell zurückzuführen ist, vorausgesetzt, es handelt sich um das richtige Modell.
Dieser Zusammenhang ist leichter zu erkennen Logistische Passform als in Kontingenz Weil Kontingenz meldet nur das -L(Modell) . Dies ist die Analyse von Alter von Gewicht aus Große Klasse Beispieldatentabelle:
Der -L(Modell) oben ist beschriftet Unterschied Hier. Der -L(gesamt) oben ist beschriftet Reduziert Hier. Der RQuadrat (U) ist deshalb Differenz / Reduziert = 5,037918 / 67,266350 = 0,0749 .
Es ist üblich, dass ein statistisch signifikantes Modell einer kategorialen Antwort einen sehr niedrigen Wert aufweist RQuadrat (U) wie dieses Beispiel zeigt. Wie sein kontinuierliches Modell R Quadrat Im Gegenzug gibt es die Leistung der bedingten Vorhersage gegenüber der marginalen Vorhersage an.
