Estoy trabajando en una regresión logística múltiple en R usando glm. Las variables predictoras son continuas y categóricas. Un extracto del resumen del modelo muestra lo siguiente:
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.451e+00 2.439e+00 1.005 0.3150
Age 5.747e-02 3.466e-02 1.658 0.0973 .
BMI -7.750e-02 7.090e-02 -1.093 0.2743
...
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Intervalos de confianza:
2.5 % 97.5 %
(Intercept) 0.10969506 1.863217e+03
Age 0.99565783 1.142627e+00
BMI 0.80089276 1.064256e+00
...Razones impares:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.159642e+01 11.464683 2.7310435 1.370327
Age 1.059155e+00 1.035269 5.2491658 1.102195
B 9.254228e-01 1.073477 0.3351730 1.315670
...
r
logistic
interpretation
p-value
SabreWolfy
fuente
fuente
Respuestas:
Hay una gran cantidad de preguntas aquí en el sitio que ayudarán con la interpretación de la salida de los modelos (aquí hay tres ejemplos diferentes, 1 2 3 , y estoy seguro de que hay más si profundiza en el archivo). Aquí también hay un tutorial en el sitio web de estadísticas de UCLA sobre cómo interpretar los coeficientes para la regresión logística.
Aunque la razón de posibilidades para el coeficiente de edad es cercana a uno, no necesariamente significa que el efecto sea pequeño (si un efecto es pequeño o grande es con frecuencia una cuestión normativa tanto como empírica). Sería necesario conocer la variación típica en la edad entre observaciones para hacer una opinión más informada.
fuente