Linearna vs logistička regresija
U statističkoj analizi, važno je identifikovati odnose između varijabli koje su predmet studije. Ponekad to može biti jedina svrha same analize. Jedno snažno sredstvo koje se koristi za utvrđivanje postojanja veze i identifikaciju odnosa je regresiona analiza.
Najjednostavniji oblik regresione analize je linearna regresija, gdje je odnos između varijabli linearni odnos. U statističkom smislu, otkriva odnos između varijable koja objašnjava i varijable odgovora. Na primjer, pomoću regresije možemo uspostaviti odnos između cijene robe i potrošnje na osnovu podataka prikupljenih iz slučajnog uzorka. Regresijska analiza će proizvesti funkciju regresije skupa podataka, što je matematički model koji najbolje odgovara dostupnim podacima. Ovo se lako može predstaviti dijagramom raspršenosti. Grafička regresija je ekvivalentna pronalaženju krive koja najbolje odgovara za dati skup podataka. Funkcija krivulje je funkcija regresije. Koristeći matematički model, upotreba robe se može predvidjeti za datu cijenu.
Stoga, regresiona analiza se široko koristi u predviđanju i predviđanju. Takođe se koristi za uspostavljanje odnosa u eksperimentalnim podacima, u oblastima fizike, hemije i u mnogim prirodnim naukama i inženjerskim disciplinama. Ako je odnos ili funkcija regresije linearna funkcija, tada je proces poznat kao linearna regresija. Na dijagramu raspršenja može se predstaviti kao prava linija. Ako funkcija nije linearna kombinacija parametara, tada je regresija nelinearna.
Logistička regresija je uporediva sa multivarijantnom regresijom i kreira model koji objašnjava uticaj višestrukih prediktora na varijablu odgovora. Međutim, u logističkoj regresiji, varijabla krajnjeg rezultata treba biti kategorička (obično podijeljena; tj. par dostižnih ishoda, poput smrti ili preživljavanja, iako posebne tehnike omogućavaju modeliranje više kategoriziranih informacija). Kontinuirana varijabla ishoda može se transformirati u kategorijsku varijablu, koja će se koristiti za logističku regresiju; međutim, sažimanje kontinuiranih varijabli na ovaj način se uglavnom obeshrabruje jer smanjuje preciznost.
Za razliku od linearne regresije, prema srednjoj vrijednosti, prediktorske varijable u logističkoj regresiji ne moraju biti prisiljene da budu linearno povezane, uobičajeno raspoređene ili da imaju jednaku varijansu unutar svakog klastera. Kao rezultat toga, veza između prediktora i varijabli ishoda vjerovatno neće biti linearna funkcija.
Koja je razlika između logističke i linearne regresije?
• U linearnoj regresiji, pretpostavlja se linearna relacija između eksplanatorne varijable i varijable odgovora i analizom se pronalaze parametri koji zadovoljavaju model, kako bi se dobio tačan odnos.
• Linearna regresija se provodi za kvantitativne varijable, a rezultirajuća funkcija je kvantitativna.
• U logističkoj regresiji, podaci koji se koriste mogu biti kategorički ili kvantitativni, ali rezultat je uvijek kategoričan.
