Regressione lineare vs logistica
Nell'analisi statistica, è importante identificare le relazioni tra le variabili interessate allo studio. A volte può essere l'unico scopo dell'analisi stessa. Uno strumento efficace utilizzato per stabilire l'esistenza della relazione e identificare la relazione è l'analisi di regressione.
La forma più semplice di analisi di regressione è la regressione lineare, in cui la relazione tra le variabili è una relazione lineare. In termini statistici, fa emergere la relazione tra la variabile esplicativa e la variabile di risposta. Ad esempio, utilizzando la regressione possiamo stabilire la relazione tra il prezzo delle materie prime e il consumo sulla base dei dati raccolti da un campione casuale. L'analisi di regressione produrrà una funzione di regressione del set di dati, che è un modello matematico che si adatta meglio ai dati disponibili. Questo può essere facilmente rappresentato da un grafico a dispersione. Graficamente la regressione equivale a trovare la curva più adatta per il dato set di dati. La funzione della curva è la funzione di regressione. Utilizzando il modello matematico è possibile prevedere l'utilizzo di una merce per un determinato prezzo.
Pertanto, l'analisi di regressione è ampiamente utilizzata nella previsione e nella previsione. Viene anche utilizzato per stabilire le relazioni nei dati sperimentali, nei campi della fisica, della chimica e in molte scienze naturali e discipline ingegneristiche. Se la relazione o la funzione di regressione è una funzione lineare, il processo è noto come regressione lineare. Nel grafico a dispersione, può essere rappresentato come una linea retta. Se la funzione non è una combinazione lineare dei parametri, la regressione è non lineare.
La regressione logistica è paragonabile alla regressione multivariata e crea un modello per spiegare l'impatto di più predittori su una variabile di risposta. Tuttavia, nella regressione logistica, la variabile del risultato finale dovrebbe essere categoriale (di solito divisa, cioè una coppia di risultati raggiungibili, come la morte o la sopravvivenza, sebbene tecniche speciali consentano di modellare informazioni più classificate). Una variabile di risultato continua può essere trasformata in una variabile categoriale, da utilizzare per la regressione logistica; tuttavia, la compressione delle variabili continue in questo modo è per lo più sconsigliata perché riduce l'accuratezza.
A differenza della regressione lineare, verso la media, le variabili predittive nella regressione logistica non devono essere obbligate a essere connesse linearmente, distribuite comunemente o ad avere una varianza uguale all'interno di ogni cluster. Di conseguenza, è improbabile che la relazione tra il predittore e le variabili di risultato sia una funzione lineare.
Qual è la differenza tra regressione logistica e lineare?
• Nella regressione lineare, si assume una relazione lineare tra la variabile esplicativa e la variabile di risposta e i parametri che soddisfano il modello vengono trovati mediante analisi, per fornire la relazione esatta.
• La regressione lineare viene eseguita per variabili quantitative e la funzione risultante è quantitativa.
• Nella regressione logistica, i dati utilizzati possono essere categoriali o quantitativi, ma il risultato è sempre categoriale.
