Lojistik Regresyon Yeni Değişkenleri Kaydet

Lojistik regresyon sonuçlarını etkin veri kümesinde yeni değişkenler olarak kaydedebilirsiniz:

Öngörülen Değerler. Model tarafından öngörülen değerleri kaydeder. Olasılıklar ve Grup üyeliği kullanılabilir.

  • Olasılıklar. Her bir vaka için, olayın tahmin edilen oluşma olasılığını kaydeder. Çıkıştaki bir çizelge, yeni değişkenlerin adlarını ve içeriklerini görüntüler. "Olay", daha yüksek değere sahip bağımlı değişkenin kategorisidir; örneğin, bağımlı değişken 0 ve 1 değerlerini alırsa, kategori 1 'in tahmini olasılığı kaydedilir.
  • Tahmini Grup Üyeliği. En büyük arka olasılığa sahip grup, ayrımcılık puanlarına dayalı olarak. Modelin vakaya ait olduğunu öngördüğü grup.

Etkileme. Vakaların tahmin edilen değerler üzerindeki etkisini ölçen istatistiklerden değerleri kaydeder. Kullanılabilecek seçenekler Cook 'lar, Leverage değerleri ve DfBetadeğerleridir.

  • Cook's. Cook 'un etki istatistiğinin lojistik regresyon analogu. Belirli bir vaka, regresyon katsayılarının hesaplamasından dışlandıysa, tüm vakaların kalıntılarının ne kadar değişeceğine ilişkin bir ölçü.
  • Değerden Yararlanın. Her gözlemin modele uygu üzerindeki göreli etkisi.
  • DfBetas. Beta değerindeki fark, belirli bir vakanın dışlanmasından elde edilen regresyon katsayısındaki değişikliktir. Sabit değer de içinde olmak üzere, modeldeki her terim için bir değer hesaplanır.

Artıklar. Kalıntıları kurtarır. Standartlaştırılmamış, Logit, Studentized, Standardized ve Deviance seçenekleri kullanılabilir.

  • Standartlaştırılmamış Artıklar. Gözlemlenen bir değer ile model tarafından öngörülen değer arasındaki fark.
  • Logit Artığı. Logit ölçeğinde öngörülmesi durumunda vaka için arta kalan. Logit artığı, tahmin edilen olasılık çarpı 1 eksi tahmin edilen olasılığa bölünmüş artıktır.
  • Studentized Residual. Bir vaka dışlandıysa, model sapmasında değişiklik.
  • Standartlaştırılmış Artıklar. Kalan parça, standart sapmasının bir tahminine bölünür. Pearson artıkları olarak da bilinen standartlaştırılmış artıkların ortalaması 0 ve standart sapması 1 'dir.
  • Sapma. Model sapmasına dayalı artıklar.

Model bilgilerini XML dosyasına aktarın. Parametre tahminleri ve (isteğe bağlı olarak) bunların kovaryanlıkları, XML (PMML) biçiminde belirtilen dosyaya aktarılır. Puanlama amacıyla model bilgilerini diğer veri dosyalarına uygulamak için bu model dosyasını kullanabilirsiniz. Ek bilgi için Puanlama Sihirbazı konusuna bakın.

Yeni Değişkenler Kaydediliyor

Bu özellik için Özel Çizelgeler ve Gelişmiş İstatistiklergerekir.

  1. Menülerden şunları seçin:

    Analiz > Regresyon > İkili Logistik ...

  2. Logistic Regression (Logistic Regression) iletişim kutusunda Save(Kaydet) seçeneğini tıklatın.