Cvičení 7: Binární logistická regrese
Příklad: V roce 2014 konalo státní závěrečné zkoušky bakalářského studia na jisté fakultě
167 studentů. U každého studenta bylo zaznamenáno jeho pohlaví (0 – žena, 1 – muž),
občanství (1 – ČR, 2 – SR), studijní průměr za celou dobu studia, typ absolvované střední
školy (1 – gymnázium, 2 – střední průmyslová škola či obchodní akademie, 3 – ostatní typy
středních škol s maturitou) a úspěch u SZZ (1 – uspěl, 2 – neuspěl).
1. Vytvořte četnostní tabulky a nakreslete vhodné grafy pro kategoriální proměnné pohlaví,
občanství, typ_SŠ, úspěch.
Tabulka četností:pohlavi (SZZ.sta)
Kategorie
Četnost Kumulativní
četnost
Rel.četnost Kumulativní
rel.četnost
žena
muž
76 76 45,50898 45,5090
91 167 54,49102 100,0000
Tabulka četností:obcanstvi (SZZ.sta)
Kategorie
Četnost Kumulativní
četnost
Rel.četnost Kumulativní
rel.četnost
Česká republika
Slovensko
136 136 81,43713 81,4371
31 167 18,56287 100,0000
Tabulka četností:typ SS (SZZ.sta)
Kategorie
Četnost Kumulativní
četnost
Rel.četnost Kumulativní
rel.četnost
gymnázium
SPŠ+OA
ostatní
138 138 82,63473 82,6347
13 151 7,78443 90,4192
16 167 9,58084 100,0000
Tabulka četností:uspech (SZZ.sta)
Kategorie
Četnost Kumulativní
četnost
Rel.četnost Kumulativní
rel.četnost
uspěl
neuspěl
78 78 46,70659 46,7066
89 167 53,29341 100,0000
Výsečový graf z pohlavi
SZZ.sta 5v*167c
pohlavi
žena; 46%
muž; 54%
Výsečový graf z obcanstvi
SZZ.sta 5v*167c
obcanstvi
Slovensko; 19%
Česká republika; 81%
Výsečový graf z typ SS
SZZ.sta 5v*167c
typ SS
ostatní; 10%
SPŠ+OA; 8%
gymnázium; 83%
Výsečový graf z uspech
SZZ.sta 5v*167c
uspech
uspěl; 47%
neuspěl; 53%
2. Vypočtěte číselné charakteristiky proměnné průměr. A to pro celý soubor a pak pro
studenty roztříděné podle pohlaví, občanství, typu SŠ a úspěchu u SZZ. Výpočty doplňte
krabicovými diagramy. Vždy na hladině významnosti 0,05 testujte hypotézu, že střední
hodnoty (resp. mediány) studijního průměru jsou stejné v různých skupinách studentů.
Ověřte normalitu proměnné průměr v daných skupinách studentů. Výpočty doplňte
krabicovými diagramy.
Výsledky pro všechny studenty:
Popisné statistiky (SZZ.sta)
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 167 2,912216 2,940000 1,060000 4,000000 0,838585
Výsledky pro ženy:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v1=0
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 76 2,889079 2,855000 1,060000 4,000000 0,819669
Výsledky pro muže:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v1=1
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 91 2,931538 3,100000 1,130000 4,000000 0,858108
Výsledky pro občany ČR:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v2=1
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 136 3,015735 3,170000 1,060000 4,000000 0,859049
Výsledky pro občany SR:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v2=2
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 31 2,458065 2,490000 1,130000 3,560000 0,555538
Výsledky pro absolventy gymnázií:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v4=1
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 138 2,841377 2,845000 1,060000 4,000000 0,850857
Výsledky pro absolventy středních průmyslových škol či obchodních akademií:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v4=2
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 13 2,961538 2,940000 1,360000 4,000000 0,776261
Výsledky pro absolventy jiných typů středních škol:
Popisné statistiky (SZZ.sta)
Zhrnout podmínku: v4=3
Proměnná N platných Průměr Medián Minimum Maximum Sm.odch.
prumer 16 3,483125 3,685000 2,440000 4,000000 0,540552
Upozornění: Normalita proměnné průměr je ve většině případů porušena závažnějším
způsobem, proto použijeme neparametrické testy.
Výsledky dvouvýběrového Wilcoxonova testu pro muže a ženy:
Mann-Whitneyův U Test (w/ oprava na spojitost) (SZZ.sta)
Dle proměn. pohlavi
Označené testy jsou významné na hladině p <,05000
Proměnná
Sčt poř.
žena
Sčt poř.
muž
U Z p-hodn. Z
upravené
p-hodn. N platn.
žena
N platn.
muž
prumer 6273,500 7754,500 3347,500 -0,353510 0,723707 -0,354191 0,723196 76 91
Na hladině významnosti 0,05 se neprokázal rozdíl v průměrném prospěchu mezi muži a
ženami.
Krabicový graf dle skupin
Proměnná: prumer
Medián
25%-75%
Min-Max
žena muž
pohlavi
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
prumer
Výsledky dvouvýběrového Wilcoxonova testu pro Čechy a Slováky:
Mann-Whitneyův U Test (w/ oprava na spojitost) (SZZ.sta)
Dle proměn. obcanstvi
Označené testy jsou významné na hladině p <,05000
Proměnná
Sčt poř.
Česká republika
Sčt poř.
Slovensko
U Z p-hodn. Z
upravené
p-hodn. N platn.
Česká republika
N platn.
Slovensko
2*1str.
přesné p
prumer 12320,50 1707,500 1211,500 3,688024 0,000226 3,695133 0,000220 136 31 0,000168
Na hladině významnosti 0,05 se prokázal rozdíl v průměrném prospěchu mezi Čechy a
Slováky.
Krabicový graf dle skupin
Proměnná: prumer
Medián
25%-75%
Min-Max
Česká republika Slovensko
obcanstvi
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
prumer
Výsledky Kruskalova – Wallisova testu pro absolventy různých typů středních škol:
Kruskal-Wallisova ANOVA založ. na poř.; prumer (SZZ.sta)
Nezávislá (grupovací) proměnná : typ SS
Kruskal-Wallisův test: H ( 2, N= 167) =8,793145 p =,0123
Závislá:
prumer
Kód Počet
platných
Součet
pořadí
Prům.
Pořadí
gymnázium
SPŠ+OA
ostatní
1 138 11033,50 79,9529
2 13 1111,00 85,4615
3 16 1883,50 117,7188
Na hladině významnosti 0,05 se prokázal rozdíl v průměrném prospěchu mezi absolventy
různých typů středních škol.
Krabicový graf dle skupin
Proměnná: prumer
Medián
25%-75%
Min-Max
gymnázium SPŠ+OA ostatní
typ SS
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
prumer
Výsledky metody mnohonásobného porovnávání:
Vícenásobné porovnání p hodnot (oboustr.); prumer (SZZ.sta)
Nezávislá (grupovací) proměnná : typ SS
Kruskal-Wallisův test: H ( 2, N= 167) =8,793145 p =,0123
Závislá:
prumer
gymnázium
R:79,953
SPŠ+OA
R:85,462
ostatní
R:117,72
gymnázium
SPŠ+OA
ostatní
1,000000 0,009306
1,000000 0,221987
0,009306 0,221987
Na hladině významnosti 0,05 se prokázal rozdíl v průměrném prospěchu absolventů gymnázií
a absolventů středních škol odlišných od středních průmyslových škol a obchodních
akademií.
Výsledky dvouvýběrového Wilcoxonova testu pro úspěšné a neúspěšné studenty:
Mann-Whitneyův U Test (w/ oprava na spojitost) (SZZ.sta)
Dle proměn. uspech
Označené testy jsou významné na hladině p <,05000
Proměnná
Sčt poř.
uspěl
Sčt poř.
neuspěl
U Z p-hodn. Z
upravené
p-hodn. N platn.
uspěl
N platn.
neuspěl
prumer 3396,000 10632,00 315,0000 -10,1219 0,000000 -10,1414 0,000000 78 89
Na hladině významnosti 0,05 se prokázal rozdíl v průměrném prospěchu mezi úspěšnými a
neúspěšnými studenty.
Krabicový graf dle skupin
Proměnná: prumer
Medián
25%-75%
Min-Max
uspěl neuspěl
uspech
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
prumer
3. Vytvořte kontingenční tabulky absolutních četností a sloupcově podmíněných relativních
četností dvojic kategoriálních proměnných (úspěch, pohlaví), (úspěch, občanství), (úspěch,
typ SŠ) a na hladině významnosti 0,05 testujte hypotézu o nezávislosti úspěchu na příslušné
kategoriální proměnné. Nezapomeňte ověřovat splnění podmínek dobré aproximace pro
Pearsonův chí- kvadrát test nezávislosti.
Výsledky pro pohlaví:
Kontingenční tabulka (SZZ.sta)
Tab. :
uspech pohlavi
žena
pohlavi
muž
Řádk.
součty
Četnost
Sloupc. četn.
Četnost
Sloupc. četn.
Četnost
uspěl 42 36 78
55,26% 39,56%
neuspěl 34 55 89
44,74% 60,44%
Vš.skup. 76 91 167
Souhrnná tab.: Očekávané četnosti (SZZ.sta)
Pearsonův chí-kv. : 4,10239, sv=1, p=,042823
uspech pohlavi
žena
pohlavi
muž
Řádk.
součty
uspěl 35,49701 42,50299 78,0000
neuspěl 40,50299 48,49701 89,0000
Vš.skup. 76,00000 91,00000 167,0000
Na hladině významnosti 0,05 zamítáme hypotézu, že úspěch a pohlaví jsou nezávislé veličiny.
Výsledky pro občanství:
Kontingenční tabulka (SZZ.sta)
Tab. :
uspech obcanstvi
Česká republika
obcanstvi
Slovensko
Řádk.
součty
Četnost
Sloupc. četn.
Četnost
Sloupc. četn.
Četnost
uspěl 55 23 78
40,44% 74,19%
neuspěl 81 8 89
59,56% 25,81%
Vš.skup. 136 31 167
Souhrnná tab.: Očekávané četnosti (SZZ.sta)
Pearsonův chí-kv. : 11,5542, sv=1, p=,000676
uspech obcanstvi
Česká republika
obcanstvi
Slovensko
Řádk.
součty
uspěl 63,5210 14,47904 78,0000
neuspěl 72,4790 16,52096 89,0000
Vš.skup. 136,0000 31,00000 167,0000
Na hladině významnosti 0,05 zamítáme hypotézu, že úspěch a občanství jsou nezávislé
veličiny.
Výsledky pro typ střední školy:
Kontingenční tabulka (SZZ.sta)
Tab. :
uspech typ SS
gymnázium
typ SS
SPŠ+OA
typ SS
ostatní
Řádk.
součty
Četnost
Sloupc. četn.
Četnost
Sloupc. četn.
Četnost
uspěl 70 5 3 78
50,72% 38,46% 18,75%
neuspěl 68 8 13 89
49,28% 61,54% 81,25%
Vš.skup. 138 13 16 167
Souhrnná tab.: Očekávané četnosti (SZZ.sta)
Pearsonův chí-kv. : 6,27396, sv=2, p=,043414
uspech typ SS
gymnázium
typ SS
SPŠ+OA
typ SS
ostatní
Řádk.
součty
uspěl 64,4551 6,07186 7,47305 78,0000
neuspěl 73,5449 6,92814 8,52695 89,0000
Vš.skup. 138,0000 13,00000 16,00000 167,0000
Na hladině významnosti 0,05 zamítáme hypotézu, že úspěch a typ střední školy jsou nezávislé
veličiny.
4. Vytvořte model binární logistické regrese, který umožní predikovat pravděpodobnost
úspěchu u státní závěrečné zkoušky bakalářského studia. Vzhledem k tomu, že jednorozměrné
analýzy prokázaly závislost úspěchu na studijním průměru, pohlaví, občanství a typu
absolvované střední školy, zahrňte nejprve do modelu všechny sledované nezávisle proměnné
veličiny. Přitom u kategoriálních proměnných použijte kódování pomocí referenční kategorie.
a) Odhadněte regresní parametry a podíly šancí. Na hladině významnosti 0,05 proveďte dílčí
testy významnosti regresních parametrů a celkový test významnosti.
Tabulky odhadů parametrů a odhadů podílů šancí společně s dílčími testy významnosti:
uspech - Odhady parametrů (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, že uspech = uspěl
Efekt
Úroveň
Efekt
Sloupec Odhad Standard
chyba
Wald.
Stat.
Dolní LS
95,0%
Horní LS
95,0%
p
Abs.člen
prumer
pohlavi
obcanstvi
typ SS
typ SS
Měřítko
1 11,79869 2,208899 28,53091 7,46932 16,12805 0,000000
2 -4,37536 0,720268 36,90100 -5,78706 -2,96366 0,000000
žena 3 1,67722 0,646821 6,72373 0,40947 2,94496 0,009514
Česká republika 4 -0,37608 0,680065 0,30582 -1,70899 0,95682 0,580256
gymnázium 5 0,25651 0,967538 0,07029 -1,63982 2,15285 0,790917
SPŠ+OA 6 0,41652 1,342016 0,09633 -2,21379 3,04682 0,756282
1,00000 0,000000 1,00000 1,00000
uspech - Poměry šancí (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, že uspech = uspěl
Efekt
Úroveň
Efekt
Sloupec Šance
Poměr
Dolní LS
95,0%
Horní LS
95,0%
p
Abs.člen
prumer
pohlavi
obcanstvi
typ SS
typ SS
Měřítko
1
2 0,012584 0,003067 0,05163 0,000000
žena 3 5,350639 1,506021 19,00992 0,009514
Česká republika 4 0,686545 0,181049 2,60340 0,580256
gymnázium 5 1,292417 0,194014 8,60938 0,790917
SPŠ+OA 6 1,516670 0,109286 21,04832 0,756282
1,000000
Výsledek celkového testu významnosti:
Testování glonální nulové hypotézy: BETA=0 (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, žeuspech = uspěl (Vzorek pro analýzu)
Chí-kvadrát SV p
Poměr věrohodnos
Skóre
Wald.
147,338897 5 0,000000
105,891705 5 0,000000
40,548315 5 0,000000
Na hladině významnosti 0,05 zamítáme hypotézu, že dostačující je model konstanty.
Významné jsou však jen proměnné průměr a pohlaví, občanství a typ střední školy nikoliv.
Sestavíme nový model s nezávisle proměnnými průměr a pohlaví:
uspech - Odhady parametrů (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, že uspech = uspěl
Efekt
Úroveň
Efekt
Sloupec Odhad Standard
chyba
Wald.
Stat.
Dolní LS
95,0%
Horní LS
95,0%
p
Abs.člen
prumer
pohlavi
Měřítko
1 12,11923 1,977184 37,57126 8,24402 15,99444 0,000000
2 -4,48162 0,708794 39,97881 -5,87083 -3,09241 0,000000
žena 3 1,59031 0,597262 7,08977 0,41969 2,76092 0,007753
1,00000 0,000000 1,00000 1,00000
V modelu se dvěma nezávisle proměnnými průměr a pohlaví jsou obě proměnné významné na
hladině významnosti 0,05.
Pravděpodobnost, že student uspěje u SZZ, je vyjádřena rovnicí
( ) 21 x5903,1x4816,41192,1221
e1
1
xpohlavixprumer/1uspechP ⋅−⋅+−
+
==∧==
uspech - Poměry šancí (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, že uspech = uspěl
Efekt
Úroveň
Efekt
Sloupec Šance
Poměr
Dolní LS
95,0%
Horní LS
95,0%
p
Abs.člen
prumer
pohlavi
Měřítko
1
2 0,011315 0,002821 0,04539 0,000000
žena 3 4,905255 1,521497 15,81437 0,007753
1,000000
Zvýší-li se studijní průměr o 1, má student 0,01x menší šanci na úspěch.
Je-li student žena, má 4,9x větší šanci na úspěch než muž.
c) Proveďte hodnocení kvality modelu.
Nagelkerkův koeficient a Pearsonův chí-kvadrát test dobré shody:
uspech - Statistiky kvality modelu (SZZ.sta)
Rozdělení : BINOMICKÉ, Linkující funkce: LOGIT
Modelovaná pravděpodobnost, žeuspech = uspěl (Vzorek pro analýzu)
SV Stat. Stat/sv
Odchylka
Deviance v měřít
Pearsonovo Chi2
Scaled P. Chi2
AIC
BIC
Cox-Snell R2
Nagelkerke R2
Log-věrohodnost
164 83,853931 0,511304
164 83,853931 0,511304
164 99,817713 0,608645
164 99,817713 0,608645
89,853931
99,207912
0,585148
0,781330
-41,926965
Nagelkerkův koeficient je 0,78, což svědčí o dobré kvalitě modelu. Pearsonův chí-kvadrát test
dobré shody má testovou statistiku 99,8177, kritický obor
je ( ) ) )∞=∞χ= ;8825,194,164W 95,0
2
, tedy naše data jsou v souladu s modelem.
Klasifikační tabulka:
Klasifikace případů (SZZ.sta)
Odds ratio: 60,566667
Log odds ratio: 4,103745
Předpovězená:
uspěl
Předpovězená:
neuspěl
Procento
správných
Pozorované: uspěl
Pozorované: neuspěl
69 9 88,4615385
10 79 88,7640449
Model správně zařadil 88,5 % úspěšných studentů a 88,8% neúspěšných studentů.
ROC křivka:
ROC křivka
Oblast: 0.95
-0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2
1-Specificita
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
Citlivost
Naše ROC křivka se blíží ideální ROC křivce. Plocha pod ní je 0,95.