CM 9 et TD 9 : Régression logistique à 1 VD catégorielle binaire Flashcards
Avant de commencer analyser une régression logistique, on doit définir les variables, comment le fait-on?
Quand on a une VD binaire, on regarde la modalité d’intérêt au vu de l’hypothèse. On utilise donc le code 1 pour cette modalité et 0 pour l’autre modalité et on renomme la variable du nom de la modalité.
Lorsqu’on a une VI binaire, le codage recommandé est celui centré sur zéro avec 1 unité d’écart entre les modalités : -0.5/0.5. Pour faciliter l’interprétation des résultats, le code de 0.5 sera associé à la modalité dont la probabilité on s’attend être plus élevée ou plus liée à l’hypothèse.
L’orsqu’on a une VI continu, on soustrait les valeurs à la moyenne.
Quel est le rôle des modèles dans une régression logistique?
Le tableau Model Summary présente les deux modèles qui sont comparés :
Le modèle H0 peut être vu comme l’équivalent de l’hypothèse nulle H0 selon laquelle les VI n’ont aucun effet sur la VD et donc elles ne sont pas incluses dans le modèle.
Le modèle H1 contient les VI ayant un effet sur la VD. Le tableau Coefficients présente l’effet des VI déclarées
Le meilleur modèle est celui avec l’AIC et le BIC les plus petits. La p-value inférieure à .05 informe si un modèle est significativement meilleur.
Comment interpréter une régression logistique à 1 VD binaire et 1 VI binaire (et/ou 1 VI continu)?
On regarde tout d’abord les “odds” qui montre le ration :
Probabilité de choisir la modalité 1 VD / Probabilité de choisir la modalité 2 VD
- Modalité 1 : Modalité d’intérêt
- Modalité 2 : L’autre modalité
On fait se calculations pour les deux modalités, puis calcule le Odds Ratio :
Odds Ratio = Odds modalité1 VI / Odds modalité2 VI
- Odds modalité 1 VI = Odds choix de modalité 1 VD / Odds choix de modalité 2 VD ← dans la condition 1 de la VI
Si odds & odds ratio = 1, alors autant de chance de choisir modalité 1 que modalité 2
Si odds & odds ratio > 1, alors plus grand probabilité de choisir modalité 1
Si odds & odds ratio < 1, alors plus grand probabilité de choisir modalité 2
Interprétation de l’intercept : La probabilité de choisir [modalité 1 de VD] lorsque la variable de VI est 0 (contexte “moyen”) est [supérieur/inférieur] que pour la [modalité 2 de VD]. Autrement dit, pour 1 [modalité 2 de VD] choisit, il y a [intercept] [modalité 1 de VD] choisit.
Interprétation de l’effet principal de la VI binaire : Lorsque la VI augmente d’une unité (donc lorsqu’on passe d’une condition à une autre), la probabilité de choisir la [modalité 1 de VD] augmente/diminue de [odds ratio]. Cet effet est significatif / pas significatif, Wald = [], p < [].
Interprétation de l’effet principal de la VI continu : Same thing as the above. Just make sure that you have centered the values correctly (soustraction de la moyenne)!
Interprétation de l’effet d’interaction des VIs sur la VD : Lorsque la VI continue augmente avec 1, l’effet de la VI binaire sur la VD augmente/diminue avec [odds ratio].
Comment calculer le odds ratio via le Contingency Tables?
Odds 1 = odds modalité 1 VD / odds modalité 2 VD ← dans la condition 1 de la VI
For the odds for the second condition of the VI, we do the same but in relation to the second condition.
