Je travaille sur une régression logistique multiple dans R en utilisant glm. Les variables prédictives sont continues et catégoriques. Un extrait du résumé du modèle montre ce qui suit:
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.451e+00 2.439e+00 1.005 0.3150
Age 5.747e-02 3.466e-02 1.658 0.0973 .
BMI -7.750e-02 7.090e-02 -1.093 0.2743
...
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Intervalles de confiance:
2.5 % 97.5 %
(Intercept) 0.10969506 1.863217e+03
Age 0.99565783 1.142627e+00
BMI 0.80089276 1.064256e+00
...Rapports impairs:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.159642e+01 11.464683 2.7310435 1.370327
Age 1.059155e+00 1.035269 5.2491658 1.102195
B 9.254228e-01 1.073477 0.3351730 1.315670
...
r
logistic
interpretation
p-value
SabreWolfy
la source
la source
Réponses:
Il y a une multitude de questions ici sur le site qui aideront à l'interprétation de la sortie des modèles (voici trois exemples différents, 1 2 3 , et je suis sûr qu'il y en a plus si vous fouillez dans les archives). Voici également un didacticiel sur le site Web des statistiques de l'UCLA sur la façon d'interpréter les coefficients de régression logistique.
Bien que le rapport de cotes pour le coefficient d'âge soit proche de un, cela ne signifie pas nécessairement que l'effet est faible (qu'un effet soit petit ou grand est souvent autant une question normative qu'empirique). Il faudrait connaître la variation typique de l'âge entre les observations pour se faire une opinion plus éclairée.
la source