카이제곱 분석 결과의 중요성을 이해하는 데 도움을 주세요.모두 안녕,
여기서는 사상자 심각도(1 = 치명적, 2 = 심각, 3 = 약간)에 대해 자동차 승객(1 = 앞좌석, 2 = 뒷좌석)의 존재를 실행했습니다.
결과를 이해하는 데 어려움을 겪고 있습니다. 내가 관심 있는 것은 예상 개수와 실제 개수라는 점을 이해하지만, 이 두 개수의 차이가 다음과 같은지 여부를 어떻게 감지합니까? 중요한.
미리 감사드립니다!
Re: 카이제곱 분석 결과의 중요성을 이해하는 데 도움을 주세요.아니요, 승산비는 유의성(카이 제곱 표본 통계)이 아닌 연관성의 강도를 나타냅니다. 따라서 이는 예측변수 또는 설명 변수의 다양한 수준에 대한 결과의 승산비입니다. 예를 들어 승객 = 0 대 승객 = 2일 때 심각도 = 3에 대한 승산비는 얼마인지 물을 수 있습니다.
당신은 사용해야합니다 분석하다 > 모델 맞춤 로지스틱 회귀 모델을 맞추기 위해 Ordinal Logistic 플랫폼을 사용합니다. 그런 다음 승산과 원하는 승산비를 계산하는 데 사용할 수 있는 확률 공식을 저장합니다.
Re: 카이제곱 분석 결과의 중요성을 이해하는 데 도움을 주세요.베일리 씨,
" 표본이 매우 커서 약한 연관성을 탐지하는 것이 가능합니다.증거는 대립 가설(연관성이 있음)을 강력히 시사하지만 R 제곱 값 0.0053은 이 연관성이 많은 예측 정보를 제공하지 않음을 나타냅니다. 승산비는 연관성의 강도를 나타냅니다."
알았어, 대단해. 당신이 언급한 승산비는 예상된 것과 관찰된 것 사이의 비율입니까?
Re: 카이제곱 분석 결과의 중요성을 이해하는 데 도움을 주세요.연관성이 없으면 예측 변수의 수준에 관계없이 주변 분포가 유지됩니다. 이 수량은 분할표 하단의 열 합계(개수)로 제공됩니다. 기대값은 한계 분포를 기반으로 합니다. 따라서 Severity=1 및 Car Passenger=-1에 대한 첫 번째 셀의 예상 값은 475*(1792/181384)입니다. 관측된 개수는 카이 제곱 거리((개수-예상)^2 / 예상)를 사용하여 연관성이 없는 경우 예상되는 값과 비교됩니다. 첫 번째 셀의 카이 제곱은 (1-4.69281)^2 / 4.69281 = 2.9059입니다. 셀 카이 제곱의 제곱근은 Pearson 잔차이며 대립 가설에 가장 중요한 수준에 대한 아이디어를 제공합니다. 마지막으로 모든 셀 통계량을 추가하여 표본 카이 제곱(아래 표에 Pearson으로 표시됨)을 얻습니다. 표본 통계는 귀무 가설과 대규모 표본 하에서 카이 제곱 분포를 따릅니다. 예상 값은 자유도 = (n 행 - 1)(n 열 - 1) = (4-1)(3-1) = 6입니다. 표본 통계량 780.77은 6보다 훨씬 크며 귀무 가설에 반하는 강력한 증거를 나타냅니다.
표본이 매우 커서 약한 연관성을 탐지하는 것이 가능합니다.증거는 대립 가설(연관성이 있음)을 강력히 시사하지만 R 제곱 값 0.0053은 이 연관성이 많은 예측 정보를 제공하지 않음을 나타냅니다. 승산비는 연관성의 강도를 나타냅니다.
Re: 카이제곱 분석 결과의 중요성을 이해하는 데 도움을 주세요.
