رگرسیون لجستیک به عنوان رگرسیون لاجیت یا مدل لاجیت نیز شناخته می شود. این برای یافتن احتمال موفقیت رویداد و شکست رویداد استفاده می شود. رگرسیون لجستیک رابطه بین متغیر وابسته طبقهای و یک یا چند متغیر مستقل را با استفاده از یک تابع لجستیک تعیین میکند.
رگرسیون لجستیک برای پیشبینی احتمال وقوع یک رویداد با برازش دادهها به منحنی لجستیک استفاده میشود. از طرف دیگر، حداقل مربعات معمولی یک مسئله محاسباتی مهم است که در کاربردهایی که نیاز به استفاده از یک مدل ریاضی خطی برای اندازهگیریهایی که از آزمایشها به دست میآیند، استفاده میشود. OLS اشکال مختلفی مانند همبستگی، رگرسیون چندگانه، ANOVA و موارد دیگر را دارد. رگرسیون لجستیک بیشترین استفاده را در زمینه علوم پزشکی دارد در حالی که OLS بیشتر در علوم اجتماعی استفاده می شود.
در این فصل ما مقایسه رگرسیون لجستیک با OLS را خواهیم دید. دو روش برای مقایسه نتایج هر دو مورد استفاده قرار می گیرد - مطالعه ترک تحصیل و دبیرستان و فراتر از مطالعه. انواع مختلفی از مدلهای لجستیک وجود دارد، اما این فصل به سه نوع اصلی مدلهای رگرسیون لجستیک - مدلهای باینری، ترتیبی و اسمی میپردازد.
رگرسیون لجستیک باینری جایی است که یک متغیر پاسخ باینری به مجموعهای از متغیرهای توضیحی که گسسته یا پیوسته هستند مرتبط است.
رگرسیون لجستیک چند جمله ای توضیح می دهد که چگونه یک پاسخ چند جمله ای به مجموعه ای از متغیرهای توضیحی بستگی دارد. پاسخ چندتومی می تواند یا ترتیبی یا اسمی باشد. مدلهای کمی وجود دارند که برای پاسخهای ترتیبی مناسب باشند مانند مدل لاجیت تجمعی، مدل دستههای مجاور و مدل نسبتهای ادامه. مدل های دیگر را می توان برای هر دو پاسخ ترتیبی یا اسمی استفاده کرد.
مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.
نمایش نظرات