korelacijske metode psihologija (1.st.) – 2. letnik 2011/12 5. predavanje: logistična regresija
Post on 04-Feb-2016
94 Views
Preview:
DESCRIPTION
TRANSCRIPT
Korelacijske metode
psihologija (1.st.) – 2. letnik
2011/12
5. predavanje:logistična regresija
Kaj vpliva na multiplo korelacijo?
• korelacije prediktorjev s kriterijem ()• korelacije med prediktorji (),• vplivne točke (/),• napaka merjenja (),• variabilnost OV v vzorcu ().
Stabilnost (SE) modela odvisna od:• korelacij med prediktorji (),• velikosti vzorca (),• vplivnih točk ().
REGRESIJSKE PREDPOSTAVKE:
1. Naključno vzorčenje
2. Linearnost
3. Homoscedastičnost
4. Normalnost rezidualov
5. (popolna zanesljivost)
Kaj navajamo pri poročanju?
• Regresijski koeficienti• Standardne napake• Intervali zaupanja• Beta koeficienti• (Popravljeni koeficient) multiple korelacije in determinacije• F test za multiplo korelacijo• (standardna napaka napovedi)• Pri postopnem vključevanju še spremembo pojasnjene
variance.
Slide 5
Vsote kvadratov
Slide 6
Povzetek
• SST
– Skupna variabilnost (variabilnost med dejanskimi rezultati in sredino).
• SSR
– Residualna variabilnost/variabilnost napake (Error) (variabilnost med regresijskim modelom in dejanskimi razultati).
• SSM – variabilnost modela (razlika v variabilnosti med modelom
in sredino).
Slide 7
Testiranje modela: ANOVA
• Če model daje boljšo napoved kot uporaba sredine (srednje vrednosti glede na Y), je pričakovati, da bo SSM mnogo večji kot SSR
SSRError in Model
SSMImprovement Due to the Model
SSTTotal Variance In The Data
Slide 8
• Srednja kvadrirana napaka:– Vsote kvadratov so skupne vrednosti– Lahko jih izrazimo kot povprečja– Imenujemo jih „srednji kvadrati“ – MS
R
M
MSMSF
Testiranje modela: ANOVA
Slide 8
Testiranje modela: R in R2
• R: korelacija med opazovanimi vrednostmi na kriteriju in vrednostmi, napovedanimi z modelom
• R2: Delež variance, pojasnjene s strani postavljenega regresijskega modela (kvadriran Pearsonov koeficient korelacije
• Adj. R2: ocena R2 v populaciji („shrinkage“).
T
M
SSSSR 2
Regresijske metode:
• Hierarhična:– Znani napovedniki (glede na predhodne razskave ali teoretične
predpostavke) so najprej vključevani v regresijski model– Zatem so v ločenem koraku/bloku vključeni novi (manj znani/neznani)
napovedniki – Raziskovalec določa vrstni red, v katerem so spremenljivke vključevane v
model – Je najboljša metoda:
• Temelji na preverjanju teorije• Lahko vidiš edinstven napovedni vpliv nove spremenljivke na izid ker so
znani napovedniki v modelu konstantni/kontrolirani• You can see the unique predictive influence of a new variable on the
outcome because known predictors are held constant in the model.– A slabo:
• Zanaša se na to, da raziskovalec ve, kaj počne
• Vsi napovedniki so vključeni simultano/naenkrat• Dobljeni rezultat je odvisen od spremenljivk, ki jih vključimo v
model (lahko so razmeroma naključne)– Zato je pomembno imeti dobre teoretske razloge za vključitev
posameznih spremenljivk kot napovednike
Direktna („Forced“):
Stopenjska („Stepwise“):
• Napovedniki so vključeni v model po matematičnem kriteriju (glede na njihove semi-parcialne korelacije z izidom/kriterijem)
• Računalnik izbere spremenljivke v različnih korakih (korak 1: SPSS pogleda za napovednikom, ki zmore pojasniti največ variance v kriterijski spremenljivki)
• Problem te metode: temelji le na matematičnem kriteriju (izbor spremenljivk v posameznem koraku je odvisen tudi le od majhnih razlik v semi-parcialnih korelacijah
• Bi morala biti uporabljana le v eksploratorne namene…
Semi-parcialna korelacija:• Parcialna korelacija:
– Meri odnos med dvema spremenljivkama, pri čemer nadzira učinek tretje spremenljivke na obe
• Semi-parcialna korelacija:– Meri odnos med dvema spremenljivkama, pri čemer nadzira učinek
tretje spremenljivke zgolj na eno od obeh– Meri edinstven prispevek prediktorja k pojasnitvi variance kriterija
Parcialna korelacija Semi-parcialna korelacija
Generalizacija:
• Pri regresiji upamo, da bomo lahko posploševali z vzorčne ocene napovedi na celotno populacijo
• Za to mora biti zadoščeno vrsti predpostavk• Nespoštovanje teh predpostavk nam preprečuje posploševanje na
ciljno populacijo
Osnovne predpostavke:• Tip spremenljivk: Kriterij (izid) mora biti kontinuiran, Napovedniki so
lahko kontinuirani ali dihotomni/kategorični• Neničelna varianca: Napovedniki ne smejo imeti ničelne variance• Linearnost: Odnos, ki ga modeliramo, je (naj bo) v realnosti linearen• Neodvisnost: Vse vrednosti na kriteriju/izidu moramo dobiti na
različnih osebah
Zahtevnejše predpostavke: • Čim manjše multikolinearnost: Napovedniki ne smejo biti visoko med
seboj korelirani• Homoscedastičnost: Za vsako vrednost na napovedniku bi morala biti
varianca napake konstantna• Neodvisne napake: Za vsak par izmerjenih vrednosti bi morale biti
napake nekorelirane• Napake bi morale biti normalno porazdeljene
Kako napovedovati dihotomno spremenljivko?(npr. uspešnost terapije, zaključek šolanja, pravilna rešitev naloge, strinjanje z določeno trditvijo…)
Uporaba linearne regresije neustrezna:• kršene predpostavke linearnosti, normalnosti in
homoscedastičnosti (Var odvisna od p)• napovedane vrednosti izven možnega razpona• neustrezne ocene parametrov in ocene učinkov
Diskriminantna analiza (DA): “poiščemo obteženo vsoto napovednikov (enega: => ANOVA, več => MANOVA), ki maksimizira razlike med skupinama”
-> EN DISKRIMINATOR: Skušajmo napovedati spol osebe na podlagi merjene višine: = VERJETNOST (natančnost klasifikacije)
DA z dvema diskriminatorjema
DA:• Diskriminantna funkcija z dvema ali več napovedniki je linearna enačba
teh faktorjev, ki je v vlogi separatorja (kriterija) med dvema skupinama• Površina pod sečiščem distribucij je področje napačne klasifikacije
• Povezana z multivariatno analizo variance (MANOVA).• Odvisna spremenljivka ima lahko poljubno št. vrednosti.• Zelo občutljiva na predpostavke!
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
-3 -2 -1 0 1 2 3 4
Obtežena vsota napovednikov
Skupina 0
Skupina 1
• DA se trudi: maksimizirati SS med skupinami v razmerju do SS znotraj skupin
• Cilj DA: ne izločiti ene same spremenljivke za ločevanje med skupinami, ampak čim manjše število spremenljvk (lahko tudi latentnih), ki bodo omogočale čimvečjo verjetnost napovedovanja
• Postopno vključevanje: na vsakem koraku upošteva vse spremenljivke in izbere tisto, ki najbolje ločuje osebke glede na članstvo v skupini
• (ta je vključena v model in program nadaljuje z naslednjim korakom).
Če imamo dihotomno ali kako drugače kategorično spremenljivko (ordinalnega tipa) kot napovednik, lahko uporabimo klasično regresijsko analizo („…there is nothing in the regression model that requires regressor variables to be continuous – they can be discrete or categorical…“)
Slika odnosa med porodno težo in spola - ilustracija regresije na binarno spremenljivko
Prilagojena premica gre skozi povprečno porodno težo za 34 novorojenčic (0 – 3,24 kg) in povprečno porodno težo 31 novorojenčkov (1 – 3,43 kg); nagib premice (0,19 kg) je razlika v povprečni teži.
Če imamo dihotomno kriterijsko spremenljivko, pa imamo težavo…
- za par z $ 25.000 reg.linija da verjetnost 0,38;- za par z $ 41.000 pa 1,13; - zaslužek $ 14.000 da verjetnost obiska -0,13 (!?)
Nameni logistične regresije – Binarna– Multinomialna
• Teorija, ki stoji za LR– Ocenjevanje modela– Ocenjevanje napovednikov
Napovedovanje z niza spremenljivk na kategorično (nominalno) spremenljivko.
Kdaj in zakaj• Ko želim napovedati izid, ki je kategorična spremenljivka, na osnovi
ene ali več kategoričnih ali kontinuiranih napovednikov• Uporabimo jo, ker kategorično izid (kriterij) ne zadovolji predpostavki
linearnosti v normalni regresiji
Primeri• Napovedovanje izida terapije – uspešno oziroma neuspešno.• Napovedovanje uspeha v šoli – izdela razred oziroma ne izdela razreda.• Napovedovanje bolezni na delovnem mestu – zboli oziroma ne zboli.• Napovedovanje študijske odločitve – humanistična, družboslovna, naravoslovna.
Prednosti pred DA: vrednosti izven obsega 0 do 1, manj zahtevni pogoji uporabe
Prednosti pred MR: vrednosti izven dosega 0 do 1, kršitev homoscedastičnosti
Prednosti sicer:
• ne domneva linearnega odnosa med neodvisnimi in odvisno spremenljivko,
• ne predvideva homoscedastičnosti,
• napake niso nujno razporejene normalno,
• neodvisne spremenljivke niso nujno intervalne,
• neodvisne spremenljivke niso nujno neomejene.
Pogoji uporabe:• smiselno kodiranje (vrednost odvisne spremenljivke, ki nas najbolj
zanima, kodiramo z najvišjo številko),• vključitev relevantnih spremenljivk v model,• izključitev nerelevantrnih spremenljivk,• neodvisne meritve,• majhna napaka merjenja na neodvisnih spremenljivkah,• brez manjkajočih vrednosti,• linearen odnos med logit transformacijo neodvisnih in odvisne
spremenljivke,• odsotnost interakcij (lahko uvedemo novo spremenljivko),• čim nižja multikolinearnost neodvisnih spremenljivk,• odsotnost vplivnih točk,• velik vzorec,• v vsakem pogoju vsaj 2 posameznika, v vsaj 80% pogojev vsaj 5
posameznikov.
Z enim napovednikom:
• Izid– Napovedujemo verjetnost pojavitve določenega izida
• a in b– Je mogoče gledati nanju na enak način kot pri multipli
regresiji– Enačba normalne (enostavne) regresije je del enačbe
logistične regresije!
)11(11)(
iXbaeYP
Z več napovedniki:
• Izid – Še vedno napovedujemo verjetnost pojavitve določenega izida
• Razlike– Enačba multiple regresije je del enačbe logistične regresije!– Ta del enačbe se razširi tako, da vključi dodatne napovednike
)...2211(11)(
inXnbXbXbaeYP
Preverjanje verjetnosti določenega dogodka v dveh skupinah, ki ju določa dvojiška spremenljivka X.
Na posamezni proučevani enoti se dogodek zgodi ali pa ne zgodi, možna izida sta torej le dva. Preprost primer (2x2):- ali je delež obolelih za določeno boleznijo med kadilci in nekadilci enak (izid: oseba
zboli/ne zboli, oseba pa je kadilec ali nekadilec.)
Verjetnostna porazdelitev za slučajno spremenljivko, ki opisuje tak izid, je binomska porazdelitev.
Ničelna domneva pravi, da je verjetnost proučevanega dogodka v prvi in v drugiskupini enaka. Verjetnosti označimo p1 in p2.H0: p1 = p2 = p
Prvo skupino predstavlja vzorec velikosti n1 , drugo vzorec velikosti n2 . Podatkezapišemo v obliki tabele, ki ima dve vrstici in dva stolpca.
Vrstica - izid: dogodek D se zgodi ali ne zgodi: D oz. neD . V stolpce pa skupino 1 in skupino 2, označimo jo x=1 in x=2.
V celicah tabele je število enot, ki spadajo v posamično kategorijo.
Izid x=1 x=2D a cDne b dSkupaj a+b=n1 c+d=n2
Iz prvega vzorca dobimo oceno za verjetnost p1 , označimo jo ; iz drugega vzorca oceno za verjetnost p2, označimo jo :
Oceno za skupno verjetnost p , označimo jo , izračunamo takole:
Pripadajoča testna statistika je zapisana v obliki:
�̂�1=𝑎
𝑎+𝑏❑�̂�2=
𝑐𝑐+𝑑❑
�̂�𝑠𝑘=𝑎+𝑐
𝑎+𝑏+𝑐+𝑑❑
𝑧=�̂�1− �̂�2
√�̂�𝑠𝑘�̂�𝑠𝑘( 1𝑛1
+ 1𝑛2
)
=1-
𝑧=0 , 5699 −0,4839
√0 , 5355 ×0 , 4645( 193
+ 162 )
=1,052
Izid Zdravilo A Zdravilo B SkupajOzdravi 53 30 83Ne ozdravi 40 32 72Skupaj 93 62 155
�̂�𝐴=5393
=0,5699𝑜𝑧 . 56,9 %❑
�̂�B=3062
=0,4839𝑜𝑧 . 48,4 %❑
�̂�𝑠𝑘=83
155=0,5355𝑜𝑧 . 53,6 %
❑
Kritične vrednosti pri 5 % stopnji gotovosto sta ± 1,96 → se ne zavrne H0
(p = 2P(Z>1,052)=0,293 (p=0,293))
Zanima nas, kako trajanje terapije z zdravilom A ali zdravilom B vpliva na uspešnost zdravljenja. Trajanje terapije je številska spremenljivka z dovolj veliko zalogo vrednosti (zvezna spremenljivka). Poleg tega nas lahko zanima, kako se na zdravljenje z zdravilom A in B odzivajo moški in kako ženske. (Y=uspešnost zdravljenja; X1=zdravilo, X2=spol, X3=trajanje terapije.
obeti (odds) in razmerje obetov (odds ratio); verjetnosti za posamezne dogodke:
Izid x=1 x=2D p1 P2Dne q1 q2
Skupaj 1 1
Obeti za dogodek D v skupini x=1: p1/q1=p1/(1-p1);
Obeti za dogodek D v skupini x=2: p2/q2=p2/(1-p2);
Iz obetov izračunamo njihovo razmerje (referenčna skupina – vsebinsko vprašanje!):
x=1: Ψ2|1=(p2/q2)/p1/q1)=p2q1/p1q2
x=2: Ψ1|2=(p1/q1)/p2/q2)=p1q2/p2q1=1/Ψ2|1
Izid x=1 x=2D a cDne b dSkupaj a+b=n1 c+d=n2
Ocena za obete za dogodek D v x=1 je: a/b Ψ2|1=(c/d)/a/b)=cb/ad
Ocena za obete za dogodek D v x=2 je: c/d Ψ1|2=(a/b)/c/d)=ad/bc
Teorija pove, da je statistika ln asimptotično porazdeljena po normalni porazdelitvi, vzorčna varianca za ln pa je:
var(ln) = 1/a +1/b +1/c +1/d
H0 pa postavimo takole: razmerje obetov je 1; Ψ = 1H1 : Ψ ≠ 1
𝑧=ln ψ̂
√var ( ln ψ̂ )
Obet = p(1) : p(0)
Npr.: PISA – pričakovana naravoslovna kariera pri 30. in naravoslovna kariera staršev
Starši naravoslovc
i - ne
Starši naravoslovc
i – da Število
Naravoslovec pri 30.l. - ne
Število 3725 896 4621
% znotraj vrstice 80,6% 19,4% 100,0%
% znotraj stolpca 73,5% 66,9% 72,1%
Naravoslovec pri 30.l - da
Število 1346 443 1789
% znotraj vrstice 75,2% 24,8% 100,0%
% znotraj stolpca 26,5% 33,1% 27,9%
Število 5071 1339 6410
% znotraj vrstice 79,1% 20,9% 100,0%
% znotraj stolpca 100,0% 100,0% 100,0%
Obeti in razmerje obetov:
Razmerje obetov (odds ratio, OR): 0,49/0,36 = 1,37
OR enako v obe smeri.OR p(1|starši nar.) / p(1|starši nenar.) = 0,33/0,27 = 1,25 !
Obeti za otroke ostalih:1346:3725 = 0,36
Obeti za otroke naravoslovcev:443:896 = 0,49
Model logistične regresije:
linearni odnos preko pretvorbe odvisne spremenljivke (tatransformacija se imenuje ‘logit’ in je opredeljena kot logaritem obetov za dogodek, ki nas zanima):
p(Y) …zvezna spremenljivka med 0 in 1 (verjetnost)obeti (odds): p/(1-p) …zvezna sprem. med 0 in
logit(Y) = ln[p/(1-p)] …zvezna sprem. med - in
Napovedujemo logit:
P
jPiPi Xb aY
1
)logit(
)()(
bXabXa
bXa
ee
eYp
1
1
11
-3 -2 -1 0 1 2 3
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
a+bX
p(Y
=1
)
Pomen parametrov pri LR:
• b ni niti Y niti p! (vendar lahko smiselna primerjava p za različne Xi)
• b je logit (pri nespremenjenih preostalih napovednikih)
• exp(b) = OR za Xi in Xi+1(pri konstantnih preostalih napoved.)
Zakaj? Obet =p/(1-p) = exp(a+bXi)=exp(a)×[exp(b)]Xi
Pri katerem X je p = 0,5? Obet = 1 logit = ln(1) = 0 = a+bX X = -a/b
Ocenjevanje parametrov: metoda največjega verjetja (maximum likelihood)
Ocenjevanje modela
• Log-likelihood ocena– Analogna vsoti kvadratov redzidualov v multipli
regresiji– Je indikator, koliko je nepojasnjene informacije
potem, ko smo model prilagodili.– Velike vrednosti kažejo na slabo prileganje
statističnih modelov
N
1 i
1ln1ln likelihoodlog iiii YPYYPY
Ocena sprememb v modelu / modelih
• Možno je izračunati log-verjetje za različne modele in jih med seboj primerjati tako, da gledamo razlike med njihovimi log-verjetji.
)()(22 BaselineLLNewLL
baselinenew kkdf
Slide 36
Ocenjevanje napovednikov: Waldov indeks
• Enak t-statistiki v regresiji• Preverja ničelno hipotezo, da b = 0• Je pristranski, kadar je b velik.• Raje pogledati statistike razmerja verjetij
bSEbWald
Slide 37
Ocenjevanje napovednikov: razmerje obetov oz. Exp(b)
• Oceni spremembo v obetih, ki je posledica spremembe pri napovedniku za eno enoto– OR > 1: Napovednik , Verjetnost pojave dogodka .– OR < 1: Napovednik , Verjetnost pojave dogodka .
predictorthe in change unit a beforeOdds predictorthe in change unit a afterOdds bExp )(
x=1: Ψ2|1=(p2/q2)/p1/q1)=p2q1/p1q2
Izid x=1 x=2D p1 P2Dne q1 q2
Skupaj 1 1
Prileganje modela in natančnost napovedovanja:
Funkcija verjetja
(višja vrednost boljše prileganje, vendar zelo majhne vrednosti)
-2lnV (-2log-likelihood): odstopanje podatkov od modela
Razlika med dvema gnezdenima modeloma v -2lnV = devianca ~ 2 (df = razlika v številu parametrov)
Uporaba deviance: vključevanje napovednikov.
Velikost učinka/ov:
Mere, analogne R2 (% zmanjšanja -2lnV)
N
iiXpV
1
)(
Model Summary
Step-2 Log
likelihoodCox & Snell R Square
Nagelkerke R Square
1 7551,961a ,022 ,032
Classification Tablea¸1
Observed
Predicted
Self science-relat. car. at 30
% CorrectNo Yes
Step 1
Self science-related career at 30
No 4690 17 99,6
Yes 1804 5 ,3
Overall Percentage 72,1
a. The cut value is ,500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)
95% C.I.for EXP(B)
Lower Upper
Step 1a
intscie ,373 ,032 135,01 1 ,000 1,453 1,364 1,547
Constant -,984 ,028 1204,4 1 ,000 ,374
a. Variable(s) entered on step 1: intscie.
Primer:PISA – naravoslovna kariera in interes za učenje naravoslovja
Povzetek
• Skupno prileganje (overall fit) končnega modela je prikazan z −2 log-likelihood statistiko– Če je pomembnost hi-kvadrata manj kot .05, potem imam model
pomembno prileganje podatkom
• Preglej tabelo Variables in the equation, da vidiš, katere spremenljivke pomembno napovedujejo izid
• Uporabi razmerje obetov, Exp(b), za interpretacijo– OR > 1, potem se ob naraščanju napovednika obeti, da se izid
pojavi, povečujejo.
– OR < 1, potem se ob naraščanju napovednika obeti, da se izid pojavi, zmanjšujejo.
– Interval zaupanja OR ne sme iti preko 1!
• Preglej tabelo labelled Variables not in the equation, da vidiš, katere spremenljivke ne napovedujejo izida pomembno
Pomembni predpostavki:
• Neodvisno vzorčenje.• Linearnost odnosa med X in logit(Y).
Preverjanje: npr. z delitvijo v razrede.
Preveriti tudi, da -2lnV < št. parametrov, sicer lahko prenizke SE
Priporočena dodatna literatura:
Košmelj, K. (2001). Osnove logistične regresije. Dostopno na:http://stari.bf.uni-lj.si/statistika/logisticna_regresija_1.pdf
http://stari.bf.uni-lj.si/statistika/logisticna_regresija_2.pdf
Field, A. (2009). Discovering statistics using SPSS (3rd ed.). London: Sage. Poglavje 8.
Logistična regresija
Primer:
Kakšna je verjetnost, da boste zaključili podiplomski študij? ]:-]
Spremenljivke:
• Aktivnost - aktivnost, v katero je (bil) vključen posameznik (šport, glasbilo, jezik).
• Opravil – Posameznik je oziroma ni zaključil študija.
• Energija - dosežek na lestvici energija na BFO,
• Čustv_s - dosežek na lestvici čustvena stabilnost na BFO,
• Vestnost - dosežek na lestvici vestnost na BFO,
• Sprejemlj - dosežek na lestvici sprejemljivost na BFO,
• Odprtost - dosežek na lestvici odprtost na BFO,
• RPM - dosežek na testu inteligentnosti.
Logistična regresija
Analyze – Regression – Binary Logistic… ali Multinomial Logistic…
Logistična regresija
Pogovorno okno binarne logistične regresije…
Logistična regresija
Pogovorno okno Categorical…
Logistična regresija
Pogovorno okno Save New Variables…
Logistična regresija
Pogovorno okno Options…
Logistična regresija
Izpis…
Case Processing Summary
79 100,0
0 ,0
79 100,0
0 ,0
79 100,0
Unweighted Casesa
Included in Analysis
Missing Cases
Total
Selected Cases
Unselected Cases
Total
N Percent
If weight is in effect, see class ification table for the totalnumber of cases.
a.
Dependent Variable Encoding
0
1
Original Valueni zaključil
je zaključil
Internal Value
Categorical Variables Codings
30 1,000 ,000
25 ,000 1,000
24 ,000 ,000
Šport
Učenje glasbila
Učenje jezika
Aktivnost, v katero jevključen posameznik
Frequency (1) (2)
Parameter coding
Logistična regresija
Izpis…
Classification Tablea,b
0 28 ,0
0 51 100,0
64,6
Observedni zaključil
je zaključil
Posameznik je oziromani zaključil š tudija
Overall Percentage
Step 0ni zaključil je zaključil
Posameznik je oziromani zaključil š tudija Percentage
Correct
Predicted
Constant is included in the model.a.
The cut value is ,500b.
Logistična regresija
Izpis…
Variables in the Equation
,600 ,235 6,499 1 ,011 1,821ConstantStep 0B S.E. Wald df Sig. Exp(B)
Variables not in the Equation
1,359 2 ,507
1,316 1 ,251
,189 1 ,663
1,052 1 ,305
,725 1 ,395
1,305 1 ,253
,345 1 ,557
,394 1 ,530
14,831 1 ,000
21,489 8 ,006
Aktivnost
Aktivnost(1)
Aktivnost(2)
Energija
Čustv_s
Vestnost
Sprejemlj
Odprtost
RPM
Variables
Overall Statistics
Step0
Score df Sig.
Logistična regresija
Izpis…
Omnibus Tests of Model Coefficients
28,303 8 ,000
28,303 8 ,000
28,303 8 ,000
Step
Block
Model
Step 1Chi-square df Sig.
Model Summary
74,420a ,301 ,414Step1
-2 Loglikelihood
Cox & SnellR Square
NagelkerkeR Square
Estimation terminated at i teration number 6 becauseparameter estimates changed by less than ,001.
a.
Logistična regresija
Izpis…
Classification Tablea
16 12 57,1
6 45 88,2
77,2
Observedni zaključil
je zaključil
Posameznik je oziromani zaključil š tudija
Overall Percentage
Step 1ni zaključil je zaključil
Posameznik je oziromani zaključil š tudija Percentage
Correct
Predicted
The cut value is ,500a.
Logistična regresija
Izpis…
Variables in the Equation
1,141 2 ,565
-,899 ,844 1,135 1 ,287 ,407
-,341 ,945 ,130 1 ,719 ,711
,068 ,033 4,279 1 ,039 1,070
,036 ,032 1,268 1 ,260 1,036
,034 ,047 ,510 1 ,475 1,034
,064 ,053 1,461 1 ,227 1,067
-,026 ,045 ,337 1 ,562 ,974
,200 ,061 10,684 1 ,001 1,221
-29,949 8,913 11,290 1 ,001 ,000
Aktivnost
Aktivnost(1)
Aktivnost(2)
Energija
Čustv_s
Vestnost
Sprejemlj
Odprtost
RPM
Constant
Step1
a
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on s tep 1: Aktivnost, Energija, Čustv_s, Vestnost, Sprejemlj, Odprtost,RPM.
a.
top related