les 5: logistische regressie

dichtome

kern: AV is een .. variabele

Bernoulli

welk soort verdeling zal de resultaten weergeven

pi

kans op succes = … (griekse letter)

kansmassa

1-pi = ….

• de voorspelde kans of de kansverdeling van een uitkomst.

1

hoeveel onbekende parameters zijn er (cijfers)

proportie

het gemiddelde is hier de … van het aantal successen

• = p

variantie

wat zal de spreiding van de data aangeven

vermenigvuldigen

hoe variantie berekenen

• proportie successen … met proportie mislukkingen

binaire

principes Bernoulli

• …. uitkomst

  • = log reg voorspelt de kans (p) dat gebeurtenis plaatsvindt (uitkomst 1)

kans

principes Bernoulli

• … als gemiddelde

  • = gemiddelde (p) modelleren obv onafhankelijke variabelen

variantie-afhankelijkheid

principes Bernoulli

• = variantie is afhankelijk van voorspelde kans op p

  • ←→ lineaire regressie: variantie is constant

dichotome variabelen

aantal problemen

• geen lineaire regressie maken van variabelen

  • reden: ….

niet normaal

aantal problemen

• geen lineaire regressie door probleem met verdeling van residuen

heteroscedasticiteit

aantal problemen

• omdat residuen niet normaal verdeeld zijn => spreken van …

bèta

aantal problemen

• geen lineaire regressie want sigma is functie van … (0 en 1), maar die moeten niet geschat worden

verwachte waarde, normaliteit, SE

samengevat zijn er 3 problemen met dichotome variabelen in een lineaire regressie

verwachte waarde

oplossing probleem van ….

• kans op succes voorspellen, nooit > of < dan 0 of 1

normaliteit

oplossingen probleem van …

• y-scores weergeven op een Bernoulli-verdeling met score pi

SE

oplossing probleem van …

• zorgen dat het afhankelijk is van pi

  • in curve vooral veel variatie in midden

log odds, odds

logistisch regressiemodel

• rekenen met … en erna omzetten in ….

odds

logistisch regressiemodel

• = ratio tussen 2 kansen (succes en mislukking)

  • = kansverhouding

identiteitslink

verschil logistisch vs. lineaire regressie:

• = direct het gemiddelde (µ) voorspellen, direct verwachte waarde kennen

  • → lineair

logit link

verschil logistisch vs. lineaire regressie:

• = niet direct de kans, maar eerst logit of og odds van de kans voorspellen

normale

verschil logistisch vs. lineaire regressie:

• lineaire = … verdeling

  • y-scores rond de verwachte waarde

bernoulli

verschil logistisch vs. lineaire regressie:

• logistisch = …verdeling

  • geen tussenwaardes mogelijk want dichotoom, met bpld kans op succes (p)

continu, dichotoom

verschil logistisch vs. lineaire regressie:

AV

• lineair = ….

• logistisch = …

identiteit, logit

verschil logistisch vs. lineaire regressie:

link-functie

• lineair: voorspelt µ

• logistisch: voorspelt logg odds

normale, bernoulli

verschil logistisch vs. lineaire regressie:

verdeling

rechte, s

verschil logistisch vs. lineaire regressie:

vorm van lijn op verdeling

• lineair: …lijn

• logistisch: …-curve

intercept

interpretatie model:

• = waarde van de logit als x=0

omgekeerde transformatie

interpretatie model:

• logit omzetten naar kans via ….

logit, kans

interpretatie model:

• de hellingscoëfficiënt is voor een …. lineair, maar bij een … niet

dummyvariabelen

op welke manier kan je wel categorische variabelen gebruiken?

• omzetten naar….

interactietermen

voordeel logistisch

• mogelijkheid om … op te nemen

  • bv. effect van wiskunde op slaagkans verschilt per OW-net