Linearna proti logistični regresiji
Pri statistični analizi je pomembno prepoznati razmerja med spremenljivkami, ki jih zadeva študija. Včasih je to lahko edini namen same analize. Eno močno orodje, ki se uporablja za ugotavljanje obstoja odnosa in identifikacijo odnosa, je regresijska analiza.
Najenostavnejša oblika regresijske analize je linearna regresija, kjer je odnos med spremenljivkami linearen. V statističnem smislu razkrije razmerje med pojasnjevalno spremenljivko in spremenljivko odziva. Na primer, z uporabo regresije lahko ugotovimo razmerje med ceno blaga in potrošnjo na podlagi podatkov, zbranih iz naključnega vzorca. Regresijska analiza bo ustvarila regresijsko funkcijo niza podatkov, ki je matematični model, ki najbolje ustreza razpoložljivim podatkom. To je mogoče enostavno predstaviti z razpršenim grafom. Grafično je regresija enakovredna iskanju krivulje, ki se najbolje prilega za dani niz podatkov. Funkcija krivulje je regresijska funkcija. Z uporabo matematičnega modela je mogoče predvideti uporabo blaga za dano ceno.
Zato se regresijska analiza pogosto uporablja pri napovedovanju in napovedovanju. Uporablja se tudi za ugotavljanje razmerij v eksperimentalnih podatkih, na področjih fizike, kemije ter v številnih naravoslovnih in inženirskih disciplinah. Če je razmerje ali regresijska funkcija linearna funkcija, je postopek znan kot linearna regresija. Na razpršenem grafu je lahko predstavljen kot ravna črta. Če funkcija ni linearna kombinacija parametrov, potem je regresija nelinearna.
Logistična regresija je primerljiva z multivariatno regresijo in ustvari model za razlago vpliva več napovednikov na spremenljivko odziva. Vendar mora biti pri logistični regresiji spremenljivka končnega rezultata kategorična (običajno razdeljena; tj. par dosegljivih izidov, kot sta smrt ali preživetje, čeprav posebne tehnike omogočajo modeliranje bolj kategoriziranih informacij). Stalna spremenljivka izida se lahko pretvori v kategorično spremenljivko, ki se uporablja za logistično regresijo; vendar strnitev zveznih spremenljivk na ta način večinoma odsvetujemo, ker zmanjša natančnost.
Za razliko od linearne regresije, proti povprečju, napovedovalnih spremenljivk v logistični regresiji ni treba prisiliti, da so linearno povezane, skupno porazdeljene ali da imajo enako varianco znotraj vsakega grozda. Posledično razmerje med spremenljivkami napovednika in izida verjetno ne bo linearna funkcija.
Kakšna je razlika med logistično in linearno regresijo?
• Pri linearni regresiji se predpostavlja linearna povezava med pojasnjevalno spremenljivko in spremenljivko odziva, parametri, ki ustrezajo modelu, pa se najdejo z analizo, da se dobi natančen odnos.
• Linearna regresija se izvaja za kvantitativne spremenljivke, dobljena funkcija pa je kvantitativna.
• Pri logistični regresiji so lahko uporabljeni podatki kategorični ali kvantitativni, vendar je rezultat vedno kategoričen.
