Lojistik Regresyon
Binary Logistic Regression · Ayrıca şöyle bilinir: logit model, binomial logistic regression, LR
Lojistik regresyon, ikili bir sonucun (hastalık var/yok, başarı/başarısızlık) olasılığını sürekli ve kategorik öngörücülere bağlı olarak modellemek için kullanılan istatistiksel bir yöntemdir. David Roxbee Cox (1958) tarafından geliştirilen bu yöntem, ikili sonuçları tahmin etme sorununu, tahminleri [0,1] olasılık aralığına sınırlamak için lojistik bir dönüşüm uygulayarak çözer ve epidemiyoloji, tıp ve sosyal bilimlerde doğru risk sınıflandırması, tanısal tahmin ve nedensel çıkarım yapılmasına olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+76 tane daha
Ne zaman kullanılır
Lojistik regresyonu, ikili bir sonucu tahmin ederken veya açıklarken kullanın. Klinik uygulamalar: hastalık tanısı, tedavi yanıtı, mortalite tahmini; risk puanlarının hesaplanması (örneğin, APACHE puanı, CURB-65 pnömoni şiddeti). Epidemiyolojik çalışmalar: karıştırıcıları ayarlarken maruziyetlerle ilişkili hastalık olasılıklarını tahmin etme. Tanısal doğruluk: bir tanı testini doğrulama (klinik bulgulardan hastalık tahmini). Anket araştırması: politika sorularına verilen evet/hayır yanıtlarını modelleme. Sürekli veya polikotom (2'den fazla kategori) sonuçlar için doğrusal veya çok terimli regresyon kullanın. Hayatta kalma verileri (olaya kadar geçen süre) için Cox regresyonu kullanın.
Güçlü yönler & sınırlılıklar
- Risk sınıflandırması ve klinik ve politika bağlamlarında bilinçli karar verme sağlayan sonucun olasılığını doğrudan tahmin eder.
- Olasılık oranları uygulayıcılar için sezgiseldir: klinisyenlere ve halka kolayca iletilebilen ikili bir ilişki ölçüsü.
- Normalite ihlaline karşı dayanıklıdır (doğrusal regresyonun aksine); yalnızca koşullu dağılımların normal değil, binom olması gerekir.
- Karmaşık ilişkileri yakalamak için sürekli ve kategorik öngörücüleri, etkileşimleri ve doğrusal olmayan terimleri (örneğin, polinom, spline) esnek bir şekilde içerir.
- Olasılıksal çıktı ve ROC eğrileri eşik optimizasyonunu sağlar: uygulama bağlamına uygun hassasiyet/özgüllük değiş tokuşuna dayalı sınıflandırma kesme noktasını seçin.
- Çoklu doğrusallığa duyarlıdır: yüksek oranda ilişkili öngörücüler şişirilmiş standart hatalar ve kararsız katsayı tahminleri üretir; varyans şişirme faktörlerini kontrol edin.
- Öngörücüler ve log-olasılıklar arasında doğrusal bir ilişki olduğunu varsayar; doğrusal olmayan ilişkileri açıkça modellenmedikçe (örneğin, polinom, spline dönüşümü) kaçırır.
- Dengesiz sonuçlar (nadir olaylar): sonuç oranı aşırıysa (örneğin, %5 pozitif), parametre tahminleri yanlı ve güven aralıkları geniştir; cezalı regresyon veya vaka-kontrol örneklemesi düşünün.
- Gözlemlerin bağımsızlığını varsayar; kümelenmiş veriler (örneğin, hastanelerdeki hastalar) varsayımı ihlal eder ve çok düzeyli lojistik regresyon gerektirir.
- Sınıflandırma performansı, seçilen olasılık kesme noktasına büyük ölçüde bağlıdır; farklı eşikler hassasiyeti ve özgüllüğü optimize eder ve hiçbir tek eşik tüm bağlamlara uymaz.
SSS
95% CI [1.8, 3.5] ile 2.5'lik bir olasılık oranını nasıl yorumlarım?
2.5'lik bir OR, diğer öngörücüler ayarlandığında, o öngörücüdeki 1 birimlik bir artış için (veya kategorikse, indekslenmiş kategori ve referans kategoriye göre) sonucun olasılığının 2.5 kat daha yüksek olduğu anlamına gelir. %95 güven aralığı [1.8, 3.5], %95 güvenle gerçek popülasyon OR'sinin 1.8 ile 3.5 arasında olduğunu gösterir. Güven aralığı 1'i dışladığı için, ilişki istatistiksel olarak anlamlıdır (p < 0.05). Büyüklük yorumu: OR 1–1.5 = küçük etki, 1.5–3 = orta, >3 = büyük. Klinisyenler genellikle sorar: 2.5 kat daha yüksek olasılık bu sonuç için klinik olarak anlamlı mı? Bağlam önemlidir.
Hosmer-Lemeshow testi bana ne söyler ve düşük bir p-değerinden ne zaman endişelenmeliyim?
Hosmer-Lemeshow testi, tahmin edilen olasılıkların risk ondalık dilimleri boyunca gözlemlenen sonuç oranlarıyla eşleşip eşleşmediğini değerlendirir. p > 0.05 iyi kalibrasyon önerir; p < 0.05, modelin bazı risk gruplarında yanlış tahmin ettiğini ve potansiyel yanlış belirtim olduğunu gösterir. Düşük bir p-değeri inceleme gerektirir: ondalık dilim bazında kalibrasyon grafiklerini inceleyin, yakalanmayan doğrusal olmayan ilişkileri kontrol edin, etkileşimleri araştırın veya aykırı değerleri araştırın. Ancak, çok büyük örneklemlerde, mükemmel kalibrasyondan önemsiz sapmalar bile düşük p-değerleri üretebilir; kalibrasyon grafiklerinin görsel incelemesi genellikle testin kendisinden daha bilgilendiricidir.
Bireyleri riskli veya değil olarak sınıflandırmak için bir olasılık kesme noktasını nasıl seçerim?
Seçim, klinik veya politika bağlamına ve yanlış pozitiflerin maliyeti ile yanlış negatiflerin maliyetine bağlıdır. ROC eğrisi, tüm olasılık eşiklerinde hassasiyeti (gerçek pozitif oranı) ve 1-özgüllüğü (yanlış pozitif oranı) çizer. 0.5'lik bir kesme noktası varsayılandır ancak nadiren optimaldir. Pozitif vakaları kaçırmak maliyetliyse (örneğin, kanser tanısını kaçırmak), daha düşük bir kesme noktası (daha yüksek hassasiyet) seçin. Yanlış alarmlar maliyetliyse (örneğin, gereksiz müdahaleler), daha yüksek bir kesme noktası (daha yüksek özgüllük) seçin. Karar vermek için Youden indeksi (hassasiyet + özgüllük − 1) kullanın veya popülasyonunuzdaki pozitif tahmin değerini (PPV) ve negatif tahmin değerini (NPV) inceleyin.
İkili sonuçları tahmin etmek için lojistik regresyon, doğrusal regresyondan nasıl farklıdır?
İkili sonuçlara uygulanan doğrusal regresyon, [0, 1] dışı tahmin edilen değerler üretir, normalite varsayımını ihlal eder ve heteroskedastik artıklar üretir. Lojistik regresyon, lojistik dönüşüm yoluyla tahminleri olasılıklara sınırlar, binom koşullu dağılımı varsayar ve homoskedastik artıklar üretir. Dahası, doğrusal regresyondan elde edilen standart hatalar yanlıdır; lojistik regresyon, ikili veriler için doğru çıkarım sağlayan en büyük olabilirlik yöntemini kullanır. Lojistik, ikili sonuçlar için özel olarak tasarlanmıştır ve her zaman tercih edilmelidir; ikili sonuçlar üzerinde doğrusal regresyon yaygın bir hatadır.
Kaynaklar
- Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242. DOI: 10.1111/j.2517-6161.1958.tb00292.x ↗
- Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons. DOI: 10.1002/9781118548387 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 4). Binary Logistic Regression. ScholarGate. https://scholargate.app/tr/research-statistics/logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çoklu Regresyon AnaliziAraştırma istatistiği↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Hayatta Kalma AnaliziAraştırma istatistiği↔ karşılaştır