Õpiobjektid -> Binaarsete tunnuste analüüsimeetodid

BINAARSETE TUNNUSTE ANALÜÜSIMEETODID


Õpiobjekti kirjeldus
Õpijuhis
 
1. Sissejuhatus
2. Binaarse tunnuse seos mittearvulise tunnusega või diskreetse arvtunnusega
3. Binaarse tunnuse seos pideva arvtunnusega
4. Enesekontroll
Lisa
¤ Kogu materjal ühe pdf-failina: bin_tunnuste_analyys.pdf

Logit- vs probit-regressioon ning tulemuste illustreerimine

Kas kasutada binaarse tunnuse väärtuste prognoosimiseks logistilist või probit-regressiooni sõltub suuresti uurimisvaldkonnast ja seal valitsevaist traditsioonidest, vahest ka kasutatavast tarkvarast. Tõenäosuste hinnangutel vahe peaaegu puudub (vrdl. ka tudengi meheksolemise tõenäosuse hinnanguid järgmistel joonistel).

Logistilise regressiooni täiendav tulemus on šansside suhe.

 

Nii logistilise kui ka probitregressiooni tulemuste illustreerimiseks sobib sarnaselt lineaarsele regressioonanalüüsile kasutada jooniseid, kus on näidatud nii algandmed kui prognoosivõrrandi graafik. Ainult erinevalt lineaarsest regressioonanalüüsist, kus uuritaval tunnusel on enamasti palju erinevaid väärtusi, mis joonisel ei kattu, tuleb binaarse uuritava tunnuse puhul näha pisut lisavaeva esitamaks algandmeid eristatavalt. Lahenduseks on kas kasutada tavalise punktdiagrammi asemel mulldiagrammi, kus mulli suurus näitab mingite ühesuguste väärtuste hulka, või esitada paralleelselt prognoosivõrrandi graafikuga teine mittekattuvate algandmete graafik. Kuidas seda Excelis teha, on õpetatud järgmistel internetilehtedel:

 


< Eelmine

Creative Commons License Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License