Tiếp tục loạt bài viết về mô hình hồi quy nhị phân Binary Logistic
Theo công thức tính kỳ vong của YiĐặt xác xuất để Y=1 là P(Y=1). Do Y=0 và Y=1 là 2 biến cố đối nhau nên P(Y=0)=1-P(Y=1). Ta luôn có 0<=P(Y=1)<=1. Sau đây xin viết tắt P(Y=1) là p cho tiện. Khi đó P(Y=0) là 1-p.
Bây giờ chúng ta cần tìm 1 mô hình biểu diễn mối quan hệ giữa vế trái là biến phụ thuộc Y (chỉ nhận giá trị 0 và 1) với vế phải là một hàm của các biến độc lập X1, X2, X3,... Xn
Tất nhiên ta nghĩ ngay đến việc biểu diễn vế phải dưới dạng đa thức f(Xi) =f(X1,X2,...) =b0+b1*X1+b2*X2+..... như mô hình hồi quy đa biến. Dễ thấy vễ phải có tập xác định là R.
Bây giờ ta cần tạo ra 1 hàm G(Y) nào đó mà cũng có tập giá trị là R
Nhận thấy rằng log (p/(1-p)) cũng có tập giá trị là R
Mô hình xác suất tuyến tính có dạng:
được gọi là mô hình LOGIT.
Lấy hàm mũ cơ số e 2 vế ta được p/(1-p)=e^( β0
Bài tiếp theo chúng ta sẽ đề cập đến việc chạy mô hình Logit trên SPSS
Lấy hàm mũ cơ số e 2 vế ta được p/(1-p)=e^( β0
Bài tiếp theo chúng ta sẽ đề cập đến việc chạy mô hình Logit trên SPSS
Trung tâm Hỗ trợ nghiên cứu
Xin vui lòng chú ý một số điều sau
- Các bạn có thể bình luận với tài khoản Google, tài khoản tùy chọn (tên, địa chỉ) hoặc ẩn danh
- Nếu thực sự quan tâm một chủ đề nào đó, khi bình luận xong hãy nhân vào nút "Thông báo cho tôi" ở góc dưới. Khi đó nếu có các bình luận và thảo luận mới về chủ đề này sẽ có thông báo gửi đến email của bạn
- Nếu cần hỗ trợ, hãy để lại số điện thoại. Nên chủ động gửi tài lệu về Hỗ Trợ Nghiên Cứu
- Các bình luận spam, có lời lẽ không phù hợp sẽ bị chặn
0 nhận xét:
Đăng nhận xét