Utilizzare per modellare la relazione tra due o più variabili esplicative continue o categoriali e una variabile di esito categoriale. Utile per stimare la probabilità di accadimento di un evento per diversi valori delle variabili esplicative.
Regressione logistica multipla mediante modello di adattamento
- Da una tabella dati JMP® aperta, selezionare Analizza > Adatta modello .
- Fare clic su una variabile categoriale da Seleziona colonne e fare clic su Y (le variabili nominali hanno barre rosse, le variabili ordinali hanno barre verdi).
- Selezionare le variabili esplicative da Seleziona colonne e fare clic su Aggiungi .
- Fare clic su Esegui modello . Per impostazione predefinita, JMP fornirà i seguenti risultati:
- Cronologia delle iterazioni (non mostrata).
- Il test del modello completo.
- Mancanza di adattamento (non mostrato).
- Stime dei parametri per il modello.
- Test del rapporto di verosimiglianza dell'effetto (non mostrati).
Suggerimenti:
- Quando la risposta è ordinale, verrà adattato un modello logistico ordinale. Quando la risposta è nominale, come in questo esempio, verrà adattato un modello logistico nominale.
- Per salvare le probabilità previste nella tabella dati, fare clic sul triangolo rosso in alto e selezionare Salva formula di probabilità .
- Per adattare un modello a dati raggruppati o riepilogati, utilizzare Frequenza nella finestra Specifica modello di adattamento : specificare la variabile che contiene la frequenza (conteggio) per ciascun livello della risposta.
- Per visualizzare l'effetto di una variabile esplicativa sulle probabilità previste, fare clic sul triangolo rosso superiore e selezionare Profilatore . Nel Profiler di previsione , fare clic e trascinare la linea rossa verticale per una variabile per modificarne il livello o il valore. Vengono visualizzate le probabilità previste.
Car Poll.jmp (Help > Sample Data Folder)Car Poll.jmp (Aiuto > Cartella dati di esempio)
Per saperne di più, visita Adattamento di modelli lineari > Modelli di regressione logistica nella Guida di JMP .
