이 단일 예측 변수 만 모형에 넣는 경우 예측 변수와 반응 간의 승산 비는 지수 회귀 계수와 정확히 같습니다 . 나는이 결과가 사이트에 존재한다고 생각하지 않기 때문에이 기회를 제공 할 것이다.
이진 결과 와 단일 이진 예측 변수 고려하십시오 .X와이엑스
엑스= 1엑스= 0와이= 1피11피01와이= 0피10피00
그런 다음 와 사이의 승산 비를 계산하는 한 가지 방법 은Y 전엑스나는와이나는
O R = p11피00피01피10
조건부 확률의 정의에 의해 입니다. 이 비율에서 와 관련된 한계 확률은 취소되고 의 조건부 확률로 승산 비를 다시 쓸 수 있습니다 .X Y | 엑스피나는 j= P( Y= 나는 | 엑스= j ) ⋅ P( X= j )엑스와이| 엑스
O R = P( Y= 1 | 엑스= 1 )피( Y= 0 | 엑스= 1 )⋅ P( Y= 0 | 엑스= 0 )피( Y= 1 | 엑스= 0 )
로지스틱 회귀 분석에서는 다음과 같은 확률을 직접 모델링합니다.
로그( P( Y나는= 1 | 엑스나는)피( Y나는= 0 | 엑스나는)) = β0+ β1엑스나는
따라서 이러한 조건부 확률을 모델에서 직접 계산할 수 있습니다. 위의 표현식에서 첫 번째 비율 은 다음과 같습니다.오 R
피(Y나는= 1 |엑스나는= 1)피(Y나는= 0 |엑스나는= 1 )= ( 11 +전자− ( β0+β1))( 전자− ( β0+β1)1 +전자− ( β0+β1))= 1이자형− ( β0+β1)=전자(β0+β1)
두 번째는 :
피( Y나는= 0 | 엑스나는= 0 )피( Y나는= 1 | 엑스나는= 0 )= ( 전자− β01 + 전자− β0)( 11 + 전자− β0)= 전자− β0
이것을 공식에 다시 연결하면 이됩니다.O R = e( β0+ β1)⋅ 전자− β0= 전자β1
참고 : 다른 예측 변수가 있는 경우 모형에서 라고 부르면 지수 회귀 계수 (유사한 파생 형 사용)는 실제로지1, . . . , Z피
피( Y= 1 | 엑스= 1 , Z1, . . . , Z피)피( Y= 0 | 엑스= 1 , Z1, . . . , Z피)⋅ P( Y= 0 | 엑스= 0 , Z1, . . . , Z피)피( Y= 1 | 엑스=0 , Z1, . . ., Z피)
따라서 모형의 다른 예측 변수 값에 대한 승산 비 이며 일반적으로 같지 않습니다.
피( Y= 1| 엑스= 1)피(Y= 0 |엑스= 1 )⋅P(Y= 0 |엑스= 0 )피(Y= 1 |엑스= 0 )
따라서 지수 계수와 관측 된 승산 비 사이의 불일치를 관찰하는 것은 놀라운 일이 아닙니다.
참고 2 : 실제 와 실제 승산 비 사이의 관계를 도출 했지만 단일 이진 예측 변수를 사용하여 적합 된 로지스틱 회귀 분석에서 2x2의 항목을 정확하게 재현하기 때문에 표본 수량에 대해 동일한 관계가 유지됩니다. 표. 즉, 적합 수단은 모든 GLM과 마찬가지로 샘플 수단과 정확히 일치합니다. 따라서 위에서 사용한 모든 논리는 실제 값을 샘플 수량으로 대체하여 적용됩니다. β