Oraya ulaşmamız biraz zaman alacaktır, ancak özet olarak, B'ye karşılık gelen değişkente bir birimlik bir değişiklik, sonucun (temel sonuca kıyasla) göreli riskini 6.012 ile çarpacaktır.
Bunu göreceli riskte "% 5012" bir artış olarak ifade edebiliriz , ancak bu, bunu yapmanın kafa karıştırıcı ve potansiyel olarak yanıltıcı bir yoludur, çünkü aslında değişiklikleri çok yönlü olan lojistik model bizi çarpımsal düşünmek. Değiştirici "göreceli" esastır, çünkü bir değişkende meydana gelen bir değişiklik , sadece söz konusu olanı değil , tüm sonuçların öngörülen olasılıklarını aynı anda değiştirmektedir , bu nedenle olasılıkları karşılaştırmalıyız ( farklılıklar değil , oranlar yoluyla ).
Bu yanıtın geri kalanı, bu ifadeleri doğru bir şekilde yorumlamak için gereken terminolojiyi ve sezgiyi geliştirir.
Arka fon
Çok terimli duruma geçmeden önce sıradan lojistik regresyon ile başlayalım.
Bağlıdır (ikili) değişken, Y ve bağımsız değişkenler Xi , bir modeldir
Pr[Y=1]=exp(β1X1+⋯+βmXm)1+exp(β1X1+⋯+βmXm);
varsayarsak 0≠Pr[Y=1]≠1,
log(ρ(X1,⋯,Xm))=logPr[Y=1]Pr[Y=0]=β1X1+⋯+βmXm.
(Bu sadece tanımlar ρ, bu da X i'nin bir fonksiyonu olarak olasılıklardır .)Xi
Genellik, dizin kaybı olmadan Xi , böylece Xm değişkendir ve βm (ki söz konusu "B" exp(βm)=6.012 ). Değerlerini Tespit Xi,1≤i<m ve değişen Xm , küçük bir miktarı ile, δ verimleri
log(ρ(⋯,Xm+δ))−log(ρ(⋯,Xm))=βmδ.
Dolayısıyla, βm , log oranlarındaki göre marjinal değişikliktirXm .
kurtarmak için exp(βm)açıkça ayarlamalı δ=1ve sol tarafı üstellemeliyiz:
exp(βm)=exp(βm×1)=exp(log(ρ(⋯,Xm+1))−log(ρ(⋯,Xm)))=ρ(⋯,Xm+1)ρ(⋯,Xm).
Bu , X m cinsinden bir birimlik artış için olasılık oranı olarak gösterir . Bunun ne anlama gelebileceğine dair bir sezgi geliştirmek için, birtakım başlangıç oranları için bazı değerleri tablo haline getirin ve kalıpları öne çıkarmak için ağır bir şekilde yuvarlayın:exp(βm)Xm
Starting odds Ending odds Starting Pr[Y=1] Ending Pr[Y=1]
0.0001 0.0006 0.0001 0.0006
0.001 0.006 0.001 0.006
0.01 0.06 0.01 0.057
0.1 0.6 0.091 0.38
1. 6. 0.5 0.9
10. 60. 0.91 1.
100. 600. 0.99 1.
İçin gerçekten küçük oran, hangi tekabül gerçekten küçük olasılıklar, bir tek birim artışın etkisi Xm etmektir çarpın 6,012 yaklaşık göre oran veya olasılık. Oranlar (ve olasılık) büyüdükçe çarpım faktörü azalır ve oranlar 10'u aştığında esasen ortadan kaybolur (olasılık 0.9'u aşar).
Bir de ilave değişiklik, çok 0.0001 ve 0.0006 arasında bir olasılık (sadece% 0.05 's) arasında bir fark yoktur, ne de çok 0.99 ve 1 (sadece% 1) arasında bir fark vardır. Oran eşit olduğunda büyük katkı etkisi oluşur , burada olasılık% 29'dan% 71'e değişir: +% 42'lik bir değişiklik.1/6.012−−−−√∼0.408
O zaman görüyoruz ki, bir oran oranı olarak "risk" i ifade edersek, = "B" nin basit bir yorumu vardır - risk oranı X m'deki birim artış için β m'ye eşittir - ancak riski ifade ettiğimizde olasılıklardaki bir değişiklik gibi diğer bazı yöntemler, yorumlama başlangıç olasılığını belirlemeye özen gösterir.βmβmXm
Çok terimli lojistik regresyon
(Bu daha sonra yapılan bir düzenleme olarak eklendi.)
Şansı ifade etmek için log oranlarını kullanmanın değerini kabul ettikten sonra, multinomyal duruma geçelim. Şimdi bağımlı değişkeni , i = 1 ile endekslenen k ≥ 2 kategorisinden birine eşit olabilirYk≥2. Göreceliolasılık o kategoride olduğunu ben isei=1,2,…,ki
Pr[Yi]∼exp(β(i)1X1+⋯+β(i)mXm)
parametreleri belirlenecek ve Pr [ Y = kategori i ] için Y i yazılmalıdır . Bir kısaltma olarak, sağdaki ifadeyi p i ( X , β ) olarak yazalım veya X ve β bağlamdan anlaşılırsa, sadece p i olarak yazalım . Bütün bu göreceli olasılıkları birlik toplamı yapmak için normalleştirmekβ(i)jYiPr[Y=category i]pi(X,β)Xβpi
Pr[Yi]=pi(X,β)p1(X,β)+⋯+pm(X,β).
(Parametrelerde bir belirsizlik vardır: çok fazla var. Geleneksel olarak, karşılaştırma için bir "temel" kategori seçer ve tüm katsayılarını sıfır olmaya zorlar. Bununla birlikte, betaların benzersiz tahminlerini bildirmek için gerekli olsa da, o olduğu değil katsayıları yorumlamak için gerekli simetriyi sağlamak için -., olduğu kategoriler arasında herhangi yapay ayrımlar önlemek için - biz mecbur kalmadıkça let böyle kısıtı zorlamak değil).
Bu modeli yorumlamanın bir yolu, herhangi bir kategori (diyelim kategori ) için bağımsız değişkenlerden herhangi birine (diyelim X j ) göre log oranlarının marjinal değişim oranını istemektir.iXj ). Olduğunu, ne zaman değiştirmek , birazcık tarafından indükler bunun günlük oran bir değişiklik Y i . Bu iki değişiklikle ilgili orantılılık sabitiyle ilgileniyoruz. Kalkülüs Zincir Zinciri, küçük bir cebirle birlikte, bize bu değişim oranınınXjYi
∂ log odds(Yi)∂ Xj=β(i)j−β(1)jp1+⋯+β(i−1)jpi−1+β(i+1)jpi+1+⋯+β(k)jpkp1+⋯+pi−1+pi+1+⋯+pk.
Bu katsayı olarak nispeten basit yorumu vardır ve X, j bu şans formülde , Y kategoride i eksi bir "ayarlama". Ayarlama, diğer tüm kategorilerde X j katsayılarının olasılık ağırlıklı ortalamasıdır . Ağırlıklar, bağımsız değişkenlerin X akım değerleri ile ilişkili olasılıklar kullanılarak hesaplanır . Bu nedenle, günlüklerdeki marjinal değişiklik mutlaka sabit değildir: sadece söz konusu kategorinin olasılığına değil, diğer tüm kategorilerin olasılıklarına bağlıdır (kategori iβ(i)jXjYiXjXi).
Sadece kategorisi olduğunda, bu sıradan lojistik regresyona indirgenmelidir. Gerçekten de, olasılık ağırlığı hiçbir şey yapmaz ve ( i = 2 seçilmesi ) basitçe β ( 2 ) j - β ( 1 ) j farkını verir . Kategori izin vermek ı temel durum için bu daha da azaltır p ( 2 ) j , biz zorlamak için β ( 1 ) j = 0 . Böylece yeni yorum eskiyi genelleştirir.k=2i=2β(2)j−β(1)jiβ(2)jβ(1)j=0
To interpret β(i)j directly, then, we will isolate it on one side of the preceding formula, leading to:
The coefficient of Xj for category i equals the marginal change in the log odds of category i with respect to the variable Xj, plus the probability-weighted average of the coefficients of all the other Xj′ for category i.
Another interpretation, albeit a little less direct, is afforded by (temporarily) setting category i as the base case, thereby making β(i)j=0 for all the independent variables Xj:
The marginal rate of change in the log odds of the base case for variable Xj is the negative of the probability-weighted average of its coefficients for all the other cases.
Actually using these interpretations typically requires extracting the betas and the probabilities from software output and performing the calculations as shown.
ii′
YiYi′=pi(X,β)pi′(X,β).
Let's increase Xj by one unit to Xj+1. This multiplies pi by exp(β(i)j) and pi′ by exp(β(i′)j), whence the relative risk is multiplied by exp(β(i)j)/exp(β(i′)j) = exp(β(i)j−β(i′)j). Taking category i′ to be the base case reduces this to exp(β(i)j), leading us to say,
The exponentiated coefficient exp(β(i)j) is the amount by which the relative risk Pr[Y=category i]/Pr[Y=base category] is multiplied when variable Xj is increased by one unit.