Interpretazione dell'output di regressione logistica in R

Sto lavorando a una regressione logistica multipla in R utilizzando glm. Le variabili predittive sono continue e categoriche. Un estratto del riepilogo del modello mostra quanto segue:

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 ‘ ’ 1

Intervalli di confidenza:

                  2.5 %       97.5 %
(Intercept)  0.10969506 1.863217e+03
Age          0.99565783 1.142627e+00
BMI          0.80089276 1.064256e+00
...

Rapporti dispari:

                 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
...

Il primo output mostra che è significativa. Tuttavia, l'intervallo di confidenza per include il valore 1 e il rapporto di probabilità per è molto vicino a 1. Cosa significa il valore p significativo dal primo output? è un predittore del risultato o no? $Age$ $Age$ $Age$ $Age$

r logistic interpretation p-value

— SabreWolfy
fonte

È significativo solo al livello di confidenza del 10%, ma gli intervalli di confidenza sono del 5%.

— Nick Sabbe,

Quindi gli intervalli di confidenza per il 10% non includeranno 1 allora?

— SabreWolfy,

Il valore p (ultima colonna prima tabella) è la possibilità che il risultato ottenuto o peggio sarebbe raggiunto se l'ipotesi nulla fosse vera. L'intervallo di confidenza è una / la regione che conterrà il valore reale, ad es. Il 95% delle volte. Se non mantiene il valore vero ipotizzato, allora c'è al massimo il 5% di probabilità che otterremmo il risultato ottenuto o peggio, se l'ipotesi è vera. Quindi questo implicherebbe che il tuo valore p sia inferiore al 5%. Esiste una relazione molto stretta tra i valori p e gli intervalli di confidenza (statistiche 101). Ma in breve: sì, l'IC del 10% includerà 1.

— Nick Sabbe,

Sembra che tu stia assumendo la linearità. Come è giustificato?

— Frank Harrell,

Ci sono una serie di domande qui sul sito che aiuteranno con l'interpretazione dell'output dei modelli (qui ci sono tre diversi esempi, 1 2 3 , e sono sicuro che ce ne sono altri se si scava l'archivio). Ecco anche un tutorial sul sito web delle statistiche dell'UCLA su come interpretare i coefficienti di regressione logistica.

Sebbene il rapporto di probabilità per il coefficiente di età sia vicino a uno, ciò non significa necessariamente che l'effetto sia piccolo (se un effetto è piccolo o grande è spesso tanto una questione normativa quanto empirica). È necessario conoscere la variazione tipica dell'età tra le osservazioni per formulare un'opinione più informata.

— Andy W.
fonte

Grazie per il link al tutorial, che sembra completo. Ho cercato qui prima di pubblicare la mia domanda. I collegamenti 1 e 3 sembrano non essere correlati alla mia domanda.

— SabreWolfy,

@SabreWolfy, il link 1 chiarisce ulteriormente come interpretare i coefficienti in termini di unità originali, il link 3 descrive i passaggi per interpretare gli effetti in termini di probabilità (che è realmente applicabile alla tua domanda, e le trame suggerite in quella domanda sarebbero una risposta ragionevole per me dicendo che la dimensione dell'effetto diretto è difficile da interpretare senza conoscere la variazione dell'età).

— Andy W,

Supponendo che l'età sia misurata in anni, quindi un rapporto di probabilità di 1.059 implica una differenza di probabilità tra un 20enne e un di . Non lo definirei un piccolo effetto. Tuttavia, ho implicitamente supposto che stavi parlando di umani. Se invece questi sono topi, una durata di 30 anni non è molto utile e dovrai cambiare di conseguenza la valutazione della dimensione dell'effetto.

({1.059}^{30} - 1) \times 100 % = 458 %

$(1.059^{30} -1)\times 100\% = 458\%$

— Maarten Buis,

Il collegamento UCLA è morto, ma questo probabilmente corrisponde (almeno il suo aiuto contenuti me capire questa domanda).

— MBR,