Manque d'ajustement dans le rapport de régression logistiqueJ'ai effectué une analyse de régression logistique sur un ensemble de données contenant 6 facteurs binaires et 1 facteur continu. Ensuite je répète l'analyse après avoir converti le paramètre continu en binaire par seuillage (0 si <= seuil, 1 sinon).
Avec la première analyse, j'obtiens le tableau de manque d'ajustement suivant dans le rapport
Manque d'ajustement
Source | DF | -LogLikelihood | Chi carré |
Manque d'ajustement | 1,85e+7 | 4433.7627 | 8867.525 |
Saturé | 1,85e+7 | 387.7085 | Prob>ChiSq |
Ajusté | 7 | 4821.4712 | 1.0000 |
Lorsque je répète l'analyse après avoir converti la variable continue en binaire, j'obtiens le tableau de manque d'ajustement suivant dans lequel Prob>ChiSq est maintenant de 0,0009 au lieu de la valeur précédente de 1,0000.
Manque d'ajustement
Source | DF | -LogLikelihood | Chi carré |
Manque d'ajustement | 120 | 87.1476 | 174.2951 |
Saturé | 127 | 4778.6278 | Prob>ChiSq |
Ajusté | 7 | 4865.7753 | 0,0009* |
Je ne trouve pas la description du manque d'ajustement dans la documentation du rapport d'ajustement logistique nominal.Dans le contexte de « Lack of Fit », est-ce que je souhaite que la valeur soit proche de 1 pour que le modèle s'adapte bien aux données ? Que signifie l'astérisque à côté de 0,0009 ?
Re : Manque d'ajustement dans le rapport de régression logistiqueJe ne recommande pas de remplacer un prédicteur continu par un prédicteur binaire. Les variables binaires sont moins informatives.
La différence que vous observez est due au changement des degrés de liberté. La première analyse inclut 1,85E+7 degrés de liberté dans le test de la statistique d'échantillon de 8867,525 tandis que la deuxième analyse inclut seulement 120 DF pour la statistique d'échantillon correspondante de 174,2951.
Le test de manque d'ajustement est basé sur une comparaison entre le modèle sélectionné et le modèle saturé (impartial). L'hypothèse nulle suppose qu'ils sont identiques. La valeur attendue du chi carré sous l’hypothèse nulle est égale au DF.Le Chi carré dépasse le DF sous l'hypothèse nulle.La valeur p associée indique combien de ces résultats dépassent les statistiques de l'échantillon de l'analyse.
