ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ: മോഡലുകളും രീതികൾ

и дискриминантного анализа используются тогда, когда необходимо четко дифференцировать респондентов по целевым категориям. അത് വ്യക്തമായി സർവേയിൽ വിഭാഗങ്ങൾ ലക്ഷ്യം വിവിധ അത്യാവശ്യമാണ് വരുമ്പോൾ ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ആൻഡ് ദിസ്ച്രിമിനംത് വിശകലനം ഉപയോഗിക്കുന്നു. മാത്രമല്ല, ഈ ഗ്രൂപ്പുകൾ ഒരു ഉനിവരിഅതെ പാരാമീറ്റർ നിലവാരം എന്താണെന്ന്. а также выясним, для чего она нужна. കൂടുതൽ വിശദമായി ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ മോഡൽ ചിന്തിക്കുക, അതുപോലെ അത് മനസ്സിലായപ്പോള് കണ്ടെത്താൻ.

പൊതു അവലോകനം

, может выступать классификация респондентов по группам покупающих и не покупающих горчицу. പ്രശ്നം ഉദാഹരണം, ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗിക്കുന്നു ലായനിയിൽ, ഗ്രൂപ്പ് വാങ്ങൽ പ്രകാരം പ്രതികരിച്ച ഒരു വർഗ്ഗീകരണം വരാം കടുക് വാങ്ങുന്നതിൽ. സാമൂഹ്യ-ജനസംഖ്യാപരമായ പ്രത്യേകതകൾ അനുസരിച്ച് വ്യത്യസ്തത പുറത്തു കൊണ്ടുപോയി. ഈ ഉൾപ്പെടുന്നു, പ്രത്യേകിച്ചും, പ്രായം, ലിംഗഭേദം, കുടുംബാംഗങ്ങളുടെ എണ്ണം, വരുമാനം അങ്ങനെ ഉൾപ്പെടുത്തരുത്. വ്യത്യസ്തമായി പ്രവർത്തനം ൽ വേരിയബിൾ മാനദണ്ഡങ്ങളിൽ ഉണ്ട്. പിന്നത്തെ ലക്ഷ്യം വിഭാഗം ഏത്, വാസ്തവത്തിൽ, സർവേയിൽ ഭിന്നിപ്പിക്കാൻ വേണം എന്ചൊദെസ്.

കലയല്ല

, значительно уже, чем для дискриминантного анализа. ഇത് കേസുകൾ പരിധി പ്രയോഗിച്ചു പിൻവാങ്ങൽ ലോജിസ്റ്റിക് ഏത് ദിസ്ച്രിമിനംത് വിശകലനം വളരെ ഇടുങ്ങിയ, പറഞ്ഞു വേണം. ഇക്കാര്യത്തിൽ, വ്യത്യസ്തത ഒരു സാർവത്രിക രീതി ആയി പിന്നത്തെ ഉപയോഗം കൂടുതൽ തിരഞ്ഞെടുക്കപ്പെട്ട കണക്കാക്കുന്നു. മാത്രമല്ല, വിദഗ്ധർ ഒരു ക്ലാസിഫിക്കേഷൻ പഠനം ദിസ്ച്രിമിനതിവെ വിശകലനം കൂടി തുടങ്ങുന്ന ശുപാർശ. എന്നാൽ വെറും ഫലങ്ങൾക്കായി അനിശ്ചിതത്വം കാര്യത്തിൽ ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗിക്കാൻ കഴിയും. ഈ ആവശ്യം പല ഘടകങ്ങളെ മൂലമാണ്. используется при наличии четкого представления о типе независимых и зависимых переменных. സ്വതന്ത്രവും ആശ്രയിച്ചുള്ള വേരിയബിളുകൾ തരം കുറിച്ച് വ്യക്തമായ ആശയം ഉള്ളപ്പോൾ ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗിക്കുന്നു. അതിൻപ്രകാരം, 3 സാധ്യത നടപടിക്രമങ്ങൾ തിരഞ്ഞെടുത്തു. ദിസ്ച്രിമിനംത് വിശകലനം ചെയ്യുമ്പോൾ, ഗവേഷകൻ എപ്പോഴും ഒരു സ്റ്റാറ്റിക് പ്രവർത്തനം കൈകാര്യം ചെയ്യുന്നു. ഇത് ഏതെങ്കിലും തരത്തിലുള്ള സ്കെയിൽ കൊണ്ട് ഒരു ആശ്രിത നിരവധി സ്വതന്ത്ര ചതെഗൊരിചല് വേരിയബിളുകൾ ഉൾപ്പെടുന്ന.

തരം

, состоит в определении вероятности того, что определенный респондент будет отнесен к той или иной группе. ഒരു ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗിക്കുന്നു ഒബ്ജക്ടീവ് സ്ഥിതിവിവര ഗവേഷണം, ഒരു പ്രത്യേക പ്രതികളുടെ ഒരു പ്രത്യേക ഗ്രൂപ്പ് നിയോഗിക്കുകയും സാധ്യത നിർണ്ണയിക്കാൻ സാധ്യമല്ല. ചില പാരാമീറ്ററുകൾ അനുസരിച്ച് വ്യത്യസ്തത പുറത്തു കൊണ്ടുപോയി. പ്രായോഗികമായി ഒന്നു മൂല്യങ്ങൾ പ്രകാരം അതിലധികമോ സ്വതന്ത്ര ഘടകങ്ങൾ പ്രതികരിച്ച രണ്ട് ഗ്രൂപ്പുകളായി തിരിക്കാം. . ഈ സാഹചര്യത്തിൽ, ഒരു ബൈനറി ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഇല്ല. കൂടാതെ പരാമീറ്ററുകളും ഗ്രൂപ്പ് വിഹിതം ഉപയോഗിക്കാൻ കഴിയും രണ്ടു വലിയവൻ. അത്തരം ഒരു സാഹചര്യത്തിൽ ഒരു മൾട്ടിനോമിയൽ ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഇല്ല. ഫലമായി ഗ്രൂപ്പിൽ ഒരു വേരിയബിൾ തോത് പ്രകടിപ്പിച്ചു.

ഉദാഹരണം

അവർ മാസ്കോ നഗരപ്രാന്തത്തില് ഭൂമി ഏറ്റെടുക്കാൻ ഒരു ഓഫർ താൽപ്പര്യമുള്ള എന്ന ചോദ്യം വരെ പ്രതികരിച്ചവരിൽ 'ഉത്തരങ്ങൾ ഉണ്ട് കരുതുക. ഈ സാഹചര്യത്തിൽ, ഓപ്ഷനുകൾ "ഇല്ല" ആകുന്നു "അതെ." ഘടകങ്ങൾ സാധ്യതയുള്ള ഉപഭോക്താക്കളുടെ തീരുമാനം ഒരു പ്രബലമായ സ്വാധീനിക്കുന്നു കണ്ടെത്താൻ വേണം. ഈ പ്രതികളുടെ ചോദ്യങ്ങൾ. അങ്ങനെ പ്രദേശത്തിന്റെ അടിസ്ഥാന, തലസ്ഥാനമായ ദൂരം, വിസ്തീർണം, റെസിഡൻഷ്യൽ കെട്ടിടങ്ങൾ സാന്നിദ്ധ്യം / അഭാവം കുറിച്ച് ആവശ്യപ്പെട്ടു വേണ്ടി ബൈനറി റിഗ്രഷൻ ഉപയോഗിച്ച് പ്രതികരിച്ച രണ്ടു സംഘങ്ങളായി വിതരണം ചെയ്യാൻ കഴിയും. സാധ്യതയുള്ള ബയർമാരും, രണ്ടാമത്തെ, യഥാക്രമം, ഇത്തരം ഒരു ഓഫർ താൽപ്പര്യമില്ലാത്ത ചെയ്തവർക്ക് - ആദ്യ വാങ്ങൽ താൽപ്പര്യമുള്ള ആ ഉൾപ്പെടുത്തും. ഓരോ പ്രതികളുടെ വേണ്ടി, കൂടാതെ ഇത് നിയമനം സംഭാവ്യത ഒരു വിഭാഗം അല്ലെങ്കിൽ മറ്റൊരു കണക്കുകൂട്ടുന്ന ചെയ്യും.

താരതമ്യ പ്രത്യേകതകൾ

രണ്ടു .ആദ്യ വ്യത്യസ്തമായി മുകളിൽ ഗ്രൂപ്പുകൾ ആശ്രിത സ്വതന്ത്ര വേരിയബിളുകളിലൊന്ന് മറ്റൊരു നമ്പർ ടൈപ്പ് ഉള്ളടക്കം. ഒരു ബൈനറി റിഗ്രഷനിലെ, ഉദാഹരണത്തിന്, ഒന്നോ അതിലധികമോ സ്വതന്ത്ര അവസ്ഥ നിന്ന് ആശ്രിതത്വം ദ്വിശാഖിത ഘടകം പഠിച്ചു. ഈ സാഹചര്യത്തിൽ, രണ്ടാമത്തേത് സ്കെയിൽ ഏതെങ്കിലും തരത്തിലുള്ള വരാം. മൾട്ടിനോമിനൽ റിഗ്രഷൻ ക്ലാസിഫിക്കേഷൻ പതിപ്പ് ഒരു തരം കണക്കാക്കുന്നു. 2 ലധികം ഗ്രൂപ്പുകൾക്ക് ആശ്രിത വേരിയബിൾ ബന്ധപ്പെട്ടതാണ്. സ്വതന്ത്ര ഘടകങ്ങൾ ഒരു ഓർഡിനൽ അല്ലെങ്കിൽ നാമമാത്ര ചെറുകിട ഒന്നുകിൽ ഉണ്ടായിരിക്കണം.

സ്പ്ഷ് ൽ എത്തിക്കുന്നതിൽ റിഗ്രഷൻ

അനുക്രമം - സ്ഥിതിവിവര പാക്കേജ് 11-12, വിശകലനം ഒരു പുതിയ പതിപ്പ് അവതരിപ്പിച്ചു. ആശ്രിത ഘടകം ഒരേ പേര് (ഓർഡിനൽ) സ്കെയിലിൽ ബന്ധപ്പെട്ടതാണ് ഈ രീതി ഉപയോഗിക്കുന്നു. ഈ സാഹചര്യത്തിൽ സ്വതന്ത്ര വേരിയബിളുകൾ ഒരു പ്രത്യേക തരം തിരഞ്ഞെടുത്തു. അവർ ORDINAL അല്ലെങ്കിൽ നാമമാത്ര ആയിരിക്കണം. നിരവധി വിഭാഗങ്ങളിൽ തിരിക്കൽ ഏറ്റവും ഒറ്റയൊറ്റ കണക്കാക്കുന്നു. ഈ രീതി ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗിച്ച എല്ലാ പഠനങ്ങളിൽ ഉപയോഗിക്കാൻ കഴിയും. , однако, можно только с помощью всех трех приемов. മോഡൽ ഗുണമേന്മ മെച്ചപ്പെടുത്തുക, പക്ഷേ, മൂന്ന് രീതികൾ ഉപയോഗിച്ച് സാധ്യമാണ്.

ORDINAL വർഗ്ഗീകരണം

ഇത് സ്ഥിതിവിവര പാക്കേജിൽ നേരത്തെ ഒരു ഓർഡിനൽ തോതിലുള്ള കൂടെ ആശ്രയിക്കുന്ന ഘടകങ്ങൾ ഒരു സാധാരണ പ്രത്യേക നടത്താൻ അവസരം നൽകിയിട്ടില്ല എന്ന് പറഞ്ഞു. 2 കൂടുതൽ ഉപയോഗിച്ചിരുന്നത് മൾട്ടിനോമിയൽ ഓപ്ഷൻ ഗ്രൂപ്പുകൾ എണ്ണം എല്ലാ വേരിയബിളുകൾ, വേണ്ടി. താരതമ്യേന അടുത്തിടെ അവതരിപ്പിച്ചു അനുക്രമം വിശകലനം സവിശേഷതകൾ ഉണ്ട്. അവർ അക്കൗണ്ടിലേക്ക് സ്കെയിൽ അത് വിശദാംശങ്ങളില് എടുത്തു. часто не рассматривается как отдельный прием. അതേസമയം, മെഥൊദൊലൊഗിചല് പഠനസഹായികളും ORDINAL ലോജിസ്റ്റിക്സ് റിഗ്രഷനിലെ പലപ്പോഴും ഒരു പ്രത്യേക സ്വീകരണം പരിഗണിക്കും അല്ല. താഴെ പോലെ കാരണം ആണ്: സീരിയൽ വിശകലനം മൾട്ടിനോമിയൽ കഴിവുള്ള ഒരു ഗുണങ്ങളുമുണ്ട് ഇല്ല. ഗവേഷകൻ നന്നായി സാന്നിദ്ധ്യവും ഓർഡിനൽ മഴയുമായ, ഒപ്പം നാമമാത്ര ആശ്രിത വേരിയബിൾ ഉപയോഗിക്കാം. അങ്ങനെ, ക്ലാസിഫിക്കേഷൻ പ്രക്രിയ പരസ്പരം ഇവ ആകുന്നു. ഈ കൈവശം ഓർഡർ വിശകലനം എന്തെങ്കിലും പ്രശ്നങ്ങൾ ഇല്ല എന്നാണ്.

ഓപ്ഷനുകൾ വിശകലനം

ഒരു ബൈനറി റിഗ്രഷൻ - ലളിതമായ കാര്യം. ഉദാഹരണത്തിന്, മാർക്കറ്റിംഗ് ഗവേഷണ പ്രക്രിയയിൽ കണക്കാക്കപ്പെടുന്നു ചില മെട്രോപൊളിറ്റൻ സർവകലാശാല ബിരുദം ആവശ്യം. ചോദ്യാവലി ൽ, പ്രതികരിച്ചവരിൽ ഉൾപ്പെടെ ചോദ്യങ്ങൾ ചോദിക്കുകയുണ്ടായി:

1. പ്രവർത്തിക്കുന്നത്? (ഗോള്ഡ്).
2. വർഷ (Q 21) വ്യക്തമാക്കുക.
3. ഔട്ട്ലെറ്റ് (കാഫിർ) ശരാശരി സ്കോർ എന്താണ്.
4. ലിംഗഭേദം (ക്൨൨).

позволит оценить воздействие независимых факторов aver, q 21 и q 22 на переменную ql. ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ Q 21 വേരിയബിൾ ഗോള്ഡ് ന് Q 22, കാഫിർ സ്വതന്ത്ര ഘടകങ്ങൾ ആഘാതം വിലയിരുത്താൻ ചെയ്യും. ലളിതമായി പറഞ്ഞാൽ, വിശകലനം ലക്ഷ്യം ഫീൽഡ് വിവരങ്ങൾ, വർഷം അവസാനത്തോടെ, ശരാശരി സ്കോർ അടിസ്ഥാനത്തിൽ ബിരുദധാരികളുടെ സാധ്യത തൊഴിൽ നിർണ്ണയിക്കുന്നത്.

ലോജിസ്റ്റിക്സ് പിൻവാങ്ങൽ

ബൈനറി റിഗ്രഷൻ ഉപയോഗിച്ച് പരാമീറ്ററുകൾ സജ്ജമാക്കുന്നതിന്, അനല്യ്ജെ►രെഗ്രെഷിഒന്►ബിനര്യ് ലോജിസ്റ്റിക്സ് മെനു ഉപയോഗിക്കുക. ലോജിസ്റ്റിക്സ് പിൻവാങ്ങൽ ലഭ്യമായ വേരിയബിളുകൾ ആശ്രിത ഘടകം ഇടത് പട്ടികയിൽ തിരഞ്ഞെടുക്കാൻ ൽ. അവർ ഗോള്ഡ് ആണ്. ഈ വേരിയബിൾ ആശ്രിത വയലിൽ ആയിരിക്കണം. Q 21, Q 22, കാഫിർ - അതിനുശേഷം, സൈറ്റ് സ്വതന്ത്ര ഘടകങ്ങൾ ചൊവരിഅതെസ് നൽകണം. അപ്പോൾ നിങ്ങൾ വിശകലനം അവരെ ഉൾപ്പെടെ ഒരു മാർഗം വേണം. എങ്കിൽ 2 ലധികം സ്വതന്ത്രമായ ഘടകങ്ങൾ എണ്ണം, സ്വതവേ ഇൻസ്റ്റോൾ ചെയ്ത എല്ലാ വേരിയബിളുകളും, ഒരേസമയം ഭരണം രീതി ഉപയോഗിക്കരുത്, ഒപ്പം പടിപടിയായി. ഏറ്റവും പ്രശസ്തമായ വഴി പുറകിലേക്ക് കണക്കാക്കുന്നു: ബന്ധുത്വം. തിരഞ്ഞെടുക്കുക ബട്ടൺ ഉപയോഗിച്ച്, നിങ്ങൾ എല്ലാ പ്രതികരിച്ച പഠനം മാത്രം ഒരു പ്രത്യേക ലക്ഷ്യം വിഭാഗത്തിൽ ഉൾപ്പെടുത്താൻ കഴിയില്ല.

ചതെഗൊരിചല് വേരിയബിള്സ് നിർവചിക്കുക

വേരിയബിളുകളിലൊന്ന് 2 ലധികം തരംതിരിച്ചിട് നമ്പറിലേക്ക് റേറ്റ് ചെയ്യുമ്പോൾ കേസിൽ ഉപയോഗിക്കാൻ ചതെഗൊരിചല് ബട്ടൺ. ഈ സാഹചര്യത്തിൽ, ചതെഗൊരിചല് ചൊവരിഅതെസ് സ്റ്റേഷനിൽ ചതെഗൊരിചല് വേരിയബിളുകള് വിൻഡോ Define അത്തരം ഒരു ഓപ്ഷൻ ആക്കി. ഈ ഉദാഹരണത്തിൽ, അത്തരം ഒരു വേരിയബിൾ കാണുന്നില്ല. ഡ്രോപ്പ്-ഡൌണ് ലിസ്റ്റ് ശേഷം, ഇനം തീവ്രത വ്യതിയാനം തിരഞ്ഞെടുത്ത് മാറ്റുക ക്ലിക്ക് ചെയ്യുക. തത്ഫലമായി, ആശ്രയിച്ചുള്ള വേരിയബിളുകൾ ചില റേറ്റ് ഘടകം ഓരോ നിന്ന് സൃഷ്ടിക്കപ്പെടും. അവരുടെ എണ്ണം വിഭാഗങ്ങൾ യഥാർത്ഥ നിബന്ധനകൾ എണ്ണം തുല്യമാണ്.

പുതിയ വേരിയബിള്സ് സംരക്ഷിക്കുക

പ്രധാന പഠനത്തിൽ സംരക്ഷിക്കുക ബട്ടൺ പുതിയ ക്രമീകരണങ്ങൾ ഡയലോഗ് ബോക്സ് സൃഷ്ടിക്കാൻ സജ്ജമാക്കുമ്പോൾ ഉപയോഗിക്കുക. അവർ വെക്കുന്നതിനു പ്രക്രിയ കണക്കുകൂട്ടുന്ന നമ്പറുകൾ അടങ്ങിയിരിക്കും. പ്രത്യേകിച്ചും, നിർണ്ണയിക്കാൻ വേരിയബിളുകൾ സൃഷ്ടിക്കാൻ സാധ്യമാണ്:

1. വർഗ്ഗീകരണം (ഗ്രൊഉപ്മെംബെര്ശിപ്) ഒരു പ്രത്യേക വിഭാഗം പെടുന്ന.
2. ഓരോ പഠനം ഗ്രൂപ്പ് (സാധ്യതകൾ) സർവേയിൽ വർഗീകരിക്കാൻ പ്രോബബിലിറ്റി.

ഓപ്ഷനുകൾ ബട്ടൺ ഗവേഷകൻ ഉപയോഗിക്കുമ്പോൾ എന്തെങ്കിലും കാര്യമായ അവസരങ്ങൾ കൈക്കൊള്ളാതെ. അതിൻപ്രകാരം, അത് അവഗണിച്ചു കഴിയും. പ്രധാന വിൻഡോയിൽ "ശരി" ബട്ടൺ അമർത്തി ചെയ്തതിനുശേഷം വിശകലനം ഫലങ്ങൾ ചെയ്യും.

ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ പര്യാപ്തത ഗുണമേൻമ നിയന്ത്രണം

പട്ടിക ഫിയർ തെസ്ത്സൊഫ് മോഡൽ ഗുണകങ്ങളുടെയും പരിഗണിക്കുക. ഇത് ഏകദേശ മോഡൽ ഗുണനിലവാരം വിശകലനത്തിന്റെ ഫലങ്ങൾ പ്രദർശിപ്പിക്കുന്നു. കാരണം ഒന്നൊന്നായി ഓപ്ഷൻ, നിങ്ങൾ കഴിഞ്ഞ ഘട്ടത്തിൽ (2') ഫലങ്ങൾ കാണേണ്ടതാണ് വസ്തുത സ്ഥാപിച്ചിരിക്കുന്നു. ഒരു നല്ല ഫലം, പരിവർത്തന കണ്ടെത്തി വർദ്ധിപ്പിക്കുന്ന ൽ ചി-ചതുരശ്ര സൂചിക പ്രാധാന്യമുള്ള ഒരു ഉയർന്ന ബിരുദം (ഏരിയ. <൦,൦൫) അടുത്ത ഘട്ടത്തിലേക്ക് പരിഗണിക്കും. മോഡൽ വരിയിൽ മോഡൽ ഗുണനിലവാരം കണക്കാക്കപ്പെടുന്നു. നിങ്ങൾ ഒരു നെഗറ്റീവ് മൂല്യം ലഭിക്കും, എന്നാൽ മൊത്തം ഉയർന്ന പ്രാപഞ്ചികത മോഡൽ അത് കാര്യമായ പോലെ പരിഗണിക്കാത്ത പക്ഷം, കഴിഞ്ഞ പ്രായോഗികമായി ഓൺലൈനുകൾ പരിഗണിക്കാം.

പട്ടികകൾ

മോഡൽ ചുരുക്കം നിർമ്മാണം മോഡൽ (ചിത്രം ആർ സ്ക്വയർ) വിവരിക്കുന്നു മൊത്തം ചിതറിപ്പാർക്കുന്ന സൂചിക, മതിപ്പ് നൽകുന്നു. ഇത് മൂല്യം നഗെല്കെര് പ്രയോഗിക്കുന്നതിന് ശുപാർശ. അത് 0.50 കൂടുതലാണ് എങ്കിൽ നല്ല സൂചകം, ഒരു പരാമീറ്റർ നഗെല്കെര്കെ ആർ സ്ക്വയർ കണക്കാക്കും കഴിയും. ശേഷം ഒന്നോ പഠനം മറ്റൊരു വിഭാഗം പെടുന്ന യഥാർത്ഥ സൂചകങ്ങൾ റിഗ്രഷൻ മോഡൽ ഉപയോഗിച്ച് ആ അപേക്ഷിച്ച് ഇതിൽ വർഗ്ഗീകരണം ഫലങ്ങൾ വിലയിരുത്തി. പട്ടിക തരംതിരിവ് പട്ടിക ഈ ആവശ്യത്തിനായി. ഇത് സംശയാസ്പദമായ ഗ്രൂപ്പിന്റെ ഓരോ വ്യത്യസ്തത ശരിയായ എത്തിച്ചേർന്നിട്ടുണ്ട് വരയ്ക്കാൻ അനുവദിക്കുന്നു. . താഴെ പട്ടിക വിശകലനം അതുപോലെ ഒരു നോൺ-നിലവാരമുള്ള ഘടകം ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ കടന്നു പ്രാധാന്യമർഹിക്കുന്നത്രയുമില്ല സ്വതന്ത്ര ഘടകങ്ങൾ കണ്ടെത്താൻ സാധ്യമാക്കുന്നു. ഈ സൂചനകൾ അടിസ്ഥാനത്തിൽ ഒരു പ്രത്യേക ഗ്രൂപ്പ് സാമ്പിൾ ഓരോ പ്രതികളുടെ അഫിലിയേഷൻ പ്രവചിക്കാൻ കഴിയും. പുതിയ വേരിയബിളുകൾ സംരക്ഷിക്കുക ബട്ടൺ ഉപയോഗിച്ച് നേടിയെടുക്കുകയും ചെയ്യാം. അവർ ഒരു പ്രത്യേക ക്ലാസിഫിക്കേഷൻ വിഭാഗം (പ്രെദിച്തെദ്ചതെഗൊര്യ്) അംഗത്വം ഈ ഗ്രൂപ്പുകളും ഉൾപ്പെടുത്തുന്നതിന് സംഭാവ്യത (പ്രവചിക്കപ്പെടുന്നത് സാധ്യതകൾ അംഗത്വം) വിവരങ്ങൾ അടങ്ങിയിരിക്കും. പ്രധാന വിൻഡോയിൽ "ശരി" ബട്ടൺ അമർത്തി ശേഷം മൾട്ടിനോമിനൽ ലോജിസ്റ്റിക്സ് റിഗ്രഷന് കണക്കുകൂട്ടൽ ഫലങ്ങൾ ദൃശ്യമാകും.

ആദ്യ പട്ടിക, ഗവേഷകൻ, പ്രധാന സൂചകങ്ങൾ അടങ്ങുന്ന - മോഡൽ ഫിറ്റിംഗ് വിവരങ്ങൾ. സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രാധാന്യമുള്ള ഒരു ഉയർന്ന തലത്തിൽ പ്രായോഗിക പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ മോഡലുകൾ ഉപയോഗം ഉയർന്ന നിലവാരവും പാത വരെ പോയിന്റ് ചെയ്യും. മറ്റൊരു പ്രധാന പട്ടിക കൃത്രിമമായ ആർ-സ്ക്വയർ ആണ്. ഇത് നിങ്ങൾ വിശകലനത്തിനായി തിരഞ്ഞെടുത്ത സ്വതന്ത്ര വേരിയബിളുകൾ മൂലമുണ്ടാകുന്ന ഏത് ആശ്രിത ഘടകം, ആകെ ഭിന്നിച്ചു അനുപാതം കണക്കാക്കാൻ അനുവദിക്കുന്നു. പട്ടിക പ്രകാരം സാധ്യത അനുപാതം ടെസ്റ്റ് രണ്ടാമത്തേതിന്റെ സ്ഥിതിവിവര പ്രാധാന്യം എത്തിച്ചേർന്നിട്ടുണ്ട് വരയ്ക്കാവുന്നതാണ്. പാരാമീറ്റർ കണക്കാക്കുന്നു നോൺ-കീഴ്വഴക്കപരമായ ഗുണകങ്ങളുടെയും പ്രതിഫലിപ്പിക്കുന്നു. അവർ സമവാക്യം നിർമാണം ഉപയോഗിക്കുന്നു. കൂടാതെ, ചരങ്ങളുടെ ഓരോ കോമ്പിനേഷൻ ആശ്രിത ഘടകം അവരുടെ ആഘാതം സ്ഥിതിവിവര പ്രാധാന്യം തീരുമാനിക്കുന്നത്. അതേസമയം, വിപണി ഗവേഷണ പലപ്പോഴും വെവ്വേറെ അല്ല, ലക്ഷ്യം ഗ്രൂപ്പ് ഭാഗമായി പ്രതികരിച്ച വിഭാഗങ്ങൾ തമ്മിൽ അത്യാവശ്യമാണ്. ഈ ആവശ്യത്തിനായി പട്ടിക ഒബ്സെര്വെദംദ് ഫ്രീക്വൻസിക്ക് പ്രവചിച്ച.

പ്രായോഗികമായ

വിശകലനത്തിന്റെ പരിഗണിക്കും രീതി കച്ചവടക്കാരുടെ വേലയിൽ വ്യാപകമായി ഉപയോഗിക്കുന്നു. 1991-ൽ, സിഗ്മൊഇദ് ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ സൂചകം വികസിപ്പിച്ചെടുത്തു. അവൻ അവരുടെ "കേടായതായുള്ള" സാധ്യത വില പ്രവചിക്കാൻ ഉപയോഗിക്കുന്ന എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്ന ഫലപ്രദമായും ഉപകരണമാണ്. ഇൻഡിക്കേറ്റർ സമാന്തരമായി നീളുന്ന രണ്ടു വരികൾ രൂപം ഒരു ചാനൽ രൂപത്തിൽ ഒരു ഗ്രാഫ് അവതരിപ്പിച്ചിരിക്കുന്നത്. അവർ പ്രവണത നിന്ന് ഒരു അകലത്തിൽ നീക്കം. ഇടനാഴി വീതി മാത്രം സമയഫ്രെയിമിനുള്ളിൽ ആശ്രയിച്ചിരിക്കും. മിക്കവാറും എല്ലാ അസറ്റ് ജോലി ചെയ്യുമ്പോൾ സൂചകം ഉപയോഗിക്കുന്നു - കറൻസി ജോഡി നിന്നും വിലയേറിയ ലോഹങ്ങളുടെ.

നിലച്ച ഒരു വിപരീതദിശയിലേക്കാണ്: പ്രായോഗികമായി, അത് നിർദ്ദേശം ഉപയോഗത്തിനായി 2 കീ തന്ത്രങ്ങൾ നിർമ്മിക്കുന്നത്. പിന്നീട് വ്യാപാരി ചാനലിൽ വില മാറ്റങ്ങൾ ഗതികത്തിൽ കേന്ദ്രീകരിക്കും. ന് ഒരു പിന്തുണ അല്ലെങ്കിൽ പ്രതിരോധം ലൈൻ നിരക്ക് ചെലവ് മന്ദംമന്ദം പ്രസ്ഥാനം എതിർ ദിശയിൽ ആരംഭിക്കുന്ന സാധ്യത ആണ്. വില പരിധി അടുത്ത ഫിറ്റ് ആണെങ്കിൽ, അസറ്റ് പുറത്തായി കഴിയും. ലോവര് പരിധിയിൽ ആണെങ്കിൽ, നിങ്ങൾ വാങ്ങൽ ചിന്തിക്കണം. സ്ട്രാറ്റജി നിലച്ച വാറണ്ട് ഉപയോഗം ഉൾപ്പെടുന്നു. അവർ കുറഞ്ഞ ദൂരത്തിൽ പരിമിതികൾ പുറത്ത് ഇൻസ്റ്റോൾ ചെയ്യുന്നു. അല്പനേരത്തേക്കു ചില കേസുകളിൽ വില അവരെ ലംഘിക്കുന്ന കണക്കിലെടുക്കുമ്പോൾ നിങ്ങൾ സുരക്ഷിതമായി കൈകാര്യം ചെയ്ത് സ്റ്റോപ്പ്-നഷ്ടം സജ്ജമാക്കണം. അതേസമയം, തീർച്ചയായും, പരിഗണിക്കാതെ തിരഞ്ഞെടുത്ത തന്ത്രത്തിന്റെ വ്യാപാരി അതിനാല് കാണുന്നതെന്നാണ് വിപണിയിൽ സംജാതമായിട്ടുണ്ട് ആ സാഹചര്യങ്ങൾ വിലയിരുത്താൻ വിപുലീകരിക്കുന്ന ആവശ്യമാണ്.

തീരുമാനം

അങ്ങനെ, ലോജിസ്റ്റിക്സ് റിഗ്രഷൻ ഉപയോഗം വേഗത്തിലും എളുപ്പത്തിലും പരാമീറ്ററുകളും അനുസൃതമായി വിഭാഗങ്ങളായി പ്രതികരിച്ചവരിൽ തരം അനുവദിക്കുന്നു. ഒരു പ്രത്യേക രീതിയിൽ സാധ്യമായ ഉപയോഗം വിശകലനം ചെയ്യുമ്പോൾ. പ്രത്യേകിച്ചും, വ്യത്യസ്ത മൾട്ടിനോമിയൽ റിഗ്രഷൻ ഇണക്കവും. എന്നാൽ, വിദഗ്ധർ കോംപ്ലക്സ് വിവരിച്ചിട്ടുള്ള രീതികൾ ഉപയോഗം ശുപാർശ. ഇത് ഈ കേസിൽ മോഡൽ ഗുണമേന്മ ഉയർന്ന ആയിരിക്കും എന്ന് ഇതിന് കാരണം. ഈ അതാകട്ടെ, തങ്ങളുടെ അഭ്യർത്ഥന പരിധി വികസിപ്പിക്കാനും.