İstatiksel Analiz

Lojistik Regresyon Uygulaması

Örnek uygulama

1-)Konu başında verilen senaryomuzu SPSS ile analiz edelim:

Analyze>Regressionn>BinaryLogistic>

 

 [“Servikal pataloji” değişkenini “Dependent” alanına, gerkalan değişkenlerini “Covariates” alanına geçirelim.]>

 

Categorical>[Kategorik değişkenlerimizi “Categorical Covariates” alanına geçirelim]>[Değişkenleri işaretleyelim]>Simple>First>Change>


2-)Contrast menümüzün altında bulunan seçenekler:

Indicator: Karşılaştırma sınıf üyeliğinin var olup olmaığını gösterir. Karşılaştırma matrisinde referans sınıfı sıfırlardan oluşan bir satırla gösterilir.

Deviation: Açıklayıcı değişkenin referans sınıfı hariç, diğer tüm sınıfları genel etkiyle karşılaştırır.

Simple: Açıklayıcı değişkenin referans sınıfı hariç, diğer tüm sınıfları referans sınıfıyla karşılaştırır.

Difference: Açıklayıcı değişkenin ilk sınıfı hariç, önceki sınıfların ortalama etkisiyle karşılaştırır. Bu yöntem ters Helmert karşılaştırma yöntemi olarakta bilinmektedir.

Helmert: Açıklayıcı değişkenin son sınıfı hariç diğer tüm sınıfları, sonraki sınıfların ortalama etkisiyle karşılaştırır.

Repeated: Açıklayıcı değişkenin ilk sınıfı hariç her sınıfı, bir sonraki sınıfla karşılaştırır.

Polynomial: Ortogonal polinomu karşılaştırma yöntemi. Bu yöntemde sınıflar eşit aralıklı kabul edilmektedir sadece nümerik değişkenler için kullanılabilmektedir.

 

3-)Save Menümüz

Predicted Values (Tahmini Değerler): Modelle tahmin edilen grup üyeliği ve olasılıklar veri editörüne değişken olarak kaydedilebilmektedir.

Influence (Etki Değerleri): Değişken birim değerlerinin tahminler üzerindeki etkilerini gösteren Cook Uzaklığı (Cook’s ) değerleri, Uzaklık değerleri (Leverage Values) ve DfBeta değerleri hesaplanmaktadır.

Residuals (Hatalar): Diğer analizlerde kullanılmak üzere 5 farklı hata veri editörüne değişken olarak kayıt edilebilmektedir.

 

4-)Lojistik Regresyon SPSS Çıktılarımız:

 

Modele eklenen değilkenlerden herhangi birinde veri eksikliği olması haline o birey analize dahil edilmemektedir. Veri eksikliğimiz olmadığından sorun yoktur.


Sınıflandırma tablosu da modelin uygunluğu hakkında bilgi veriyor. Modelimiz servikal pataloji gözükmeyen 502 kişinin tamamını doğru olarak tahmin ederken (özgüllük, specifity = %100), servikal pataloji gözüken 18 kişinin hiçbirini doğu olarak tahmin edememiştir (duyarlılık, sensitivity = %0). Modelin genel tahmin etme orantısı %96.5’tir.

 

-2 loglikelihood yüksektir. Buradan, oluşturduğumuz modelin çok sağlam bir model olmadığını anlıyoruz. R kare değerinin 0,248 olmasından da servikal patolojiyi etkileyen faktörlerden sadece %24,8’inin modelimizdeki değişkenler tarafından açıklanabildiğini anlıyoruz.

 

5-)Lojistik Regresyon SPSS Çıktılarımızın P değerlerinin ve sonuçlarının yorumlanması

Bu tablo lojistik regresyon eşitliğini ve değişkenlerin anlamlılık düzeylerini vermektedir. Modelde kullanılan değişkenlerden doğum kontrol yöntemi, genital şikayetler anlamlı bulunmuştur (p=0,05). Odds oranı Exp(B) ile gösterilen sütundur.

Modelimizin uygunluğu gerek -2 loglikelihood, gerekse sınıflandırma tablosuna göre iyi değildir. Bununla birlikte modele itibar edilip kullanılması düşünülürse dahil edilen değişkenler içerisinde sigara içmeye anlamlı olarak etki eden değişkenin sadece cinsiyet olduğu görülmektedir.

Ne düşünüyorsun?