R 如何解释逻辑回归输出?
我有逻辑回归模型的R输出。似乎只有截距和psa具有统计学意义。这是否意味着我应该从我的模型中删除sorbets_psa和cinko,并创建一个新模型,名为R 如何解释逻辑回归输出?,r,logistic-regression,R,Logistic Regression,我有逻辑回归模型的R输出。似乎只有截距和psa具有统计学意义。这是否意味着我应该从我的模型中删除sorbets_psa和cinko,并创建一个新模型,名为new.model=glm(status~psa,family=binomial(link=“probit”) 否。模型中自变量的数量应取决于可用自由度的数量、自变量的多重共线性以及模型的拟合。然而,这并不是一个真正的R编程问题,因此您可能需要在交叉验证中进行提问。您的问题实际上取决于您的目标,因为在现实生活中,没有正确的模型,但目标的方法是正
new.model=glm(status~psa,family=binomial(link=“probit”)
否。模型中自变量的数量应取决于可用自由度的数量、自变量的多重共线性以及模型的拟合。然而,这并不是一个真正的R编程问题,因此您可能需要在交叉验证中进行提问。您的问题实际上取决于您的目标,因为在现实生活中,没有正确的模型,但目标的方法是正确的。那么,你的客观预测能力如何?口译?根据你的见解创造一个好故事来讲述?限制输入变量的数量?你在这里得到的信息是,在存在“psa”的情况下,其他两个变量没有重大影响。我感兴趣的是,到底是什么影响了响应变量。我想在这种情况下,它只是psa,对吗?嗯。在这种情况下,我指的是变量的组合,这是你得到的主要见解。但是,这些变量中的每一个都可能单独影响您的响应变量。这是你想知道的吗?如果是,为每个输入变量运行3个不同的
y~x
模型。你对互动感兴趣吗?对每对进行y~x1*x2
。很多事情需要调查,因为你可以用不同的方式组合你的变量。
Call:
glm(formula = status ~ psa + serbest_psa + cinko, family = binomial(link ="probit"),
data = data)
Deviance Residuals:
Min 1Q Median 3Q Max
-2.3285 -0.6773 -0.6261 -0.5604 1.9500
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.9697009 0.2409856 -4.024 5.72e-05 ***
psa 0.0444376 0.0094368 4.709 2.49e-06 ***
serbest_psa -0.0440718 0.0250486 -1.759 0.0785 .
cinko -0.0006923 0.0016984 -0.408 0.6835
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 534.27 on 477 degrees of freedom
Residual deviance: 477.07 on 474 degrees of freedom
AIC: 485.07
Number of Fisher Scoring iterations: 6