6-4. Categorical Data Analysis: 로지스틱 회귀모형(4)

[#1]

6-4. Categorical Data Analysis: 로지스틱 회귀모형(4)

안녕하세요^^

이번 시간에는 범주형 설명변수를 포함하는 로지스틱 회귀모형 적합결과를 묘사해보도록 하겠습니다.

먼저 범주형 설명변수가 회귀모형에 어떻게 적합되는지 알아보겠습니다.

설명 변수가 범주형일 때에는 선형 회귀 모형과 마찬가지로 가변수가 생성됩니다.

가변수는 범주형 변수의 수준 개수보다 하나 적은 개수로 생성됩니다.

예를 들어 1, 2, 3값 중 하나의 값을 같는 IncLevel 변수는 모형에 적합될 때,

두 개의 가변수가 생성되는 것이지요. 

따라서 위와 같이, 하나의 범주형 변수를 모형에 포함시킨 반면,

실제 적합 모형은 IncLevel 변수에 대해 두 개의 모수를 추정해 줍니다.

여기서 REFERENCE (GROUP)이라는 개념이 필요합니다.

Reference란 비교의 기준이 되는 수준으로, 

여기에서는 design matrix가 0, 0 값을 같은 High Income 수준에 해당합니다.

Reference는 모형적합 결과(오즈비) 해석 시, 기준 수준이 됩니다.

===========================================================================

아래 실습 예제를 통해 적용해 보겠습니다.

먼저 TYPE 3 ANALYSIS OF EFFECTS 표를 참고하여 

설명변수들의 GLOBAL한 유의성을 봅니다.

세 수준을 갖는(자유도를 보고 알수있음(자유도=수준-1)) 범주형 설명 변수인

GRP변수의 유의확률은 0.3985로,

유의수준 5%하에서 통계적으로 유의하지 않음을 알 수 있습니다.

변수의 GLOBAL TEST가 유의하지 않으면 EACH TEST에 의미가 없지만,

학습을 위해 계속 진행하겠습니다. 

다음으로 GRP의 모수 추정 값에 대한 분석 결과를 살펴보겠습니다.

위 표를 보면 GRP 변수에 대한 결과가 두 개임을 볼 수 있습니다.

이는 세 수준이기 때문에 두 개의 가변수에 대한 모수가 추정되었기 때문입니다.

GRP 오른쪽에 쓰여진 각 1과 2는 Reference인 3과 비교되는 수준입니다.

오즈비를 통해 reference가 사용되는 것을 보도록 하겠습니다.

GRP 1 VS 0 에 대한 오즈비 추정값은 0.316로,

“GRP 0일 때 보다 GRP 1일 때 EVENT가 발생할 오즈가 68% 적다”라고 

해석할 수 있다.

마찬가지로 GRP 2 VS 0 에 대한 오즈비 추정값은 0.357로,

“GRP 0일 때 보다 GRP 2일 때 EVENT가 발생할 오즈가 64% 적다”라고 

해석할 수 있다.

(하지만 여기선 유의미하지는 않습니다.) 

===========================================================================

그럼 다음 시간에는 로지스틱 모형 평가에 대해 알아보도록 하겠습니다.

감사합니다^^