![]() |
Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | |
|
Класс решаемых с помощью техники номинального регрессионного анализа задач может быть расширен за счет использования логистической регрессии, логит-моделей.
Линейное регрессионное уравнение чаще всего имеет следующий вид:
m = a + b1X1 + b2X2+: +bkXk.
Принято называть связующей функцией такую функцию g, для которой справедливо соотношение
g(m) = a + b1x1 + b2x2+: +bkxk.
Если g — тождественная функция (g(m) = m, identity link), то соотношение превращается в обычную регрессию. Если же g — это логарифм (log link), то мы получаем логлинейную модель:
log(m) = a + b1x1 + b2x2+: +bkxk.
Преимущество использования логлинейной модели в том, что она дает возможность свести изучение сложных взаимодействий между независимыми переменными (т. е. подбор таких произведений х, которые делают модель адекватной реальности) к поиску коэффициентов линейной зависимости (поскольку логарифм произведения равен сумме логарифмов). Особую важность для социолога имеет т. н. логит-связь, когда функция g является функцией вида:
.
Эта модель играет большую роль, когда Y — дихотомическая переменная. Если р — доля единичных значений Y, а доля нулевых значений q = (1-р), то
,
где функция g является логарифмом отношения преобладания.
Пусть у нас только один признак X. Тогда уравнение вида
называется логистической регрессионной функцией.
Не менее важна и т. н. линейная вероятностная модель
Р(X) = a + bх.
Если независимых переменных много, подобного рода уравнения совпадают с теми, которые обычно связываются с логлинейным анализом (там в качестве значений независимой переменной выступают частоты многомерной таблицы сопряженности).
Описанные модели являются очень полезными для социолога.
Дата публикования: 2014-11-02; Прочитано: 367 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!