Block 0: Beginning Block

Таблица классификации для модели, в которой нет ни одной независимой переменной.

Из таблицы ниже можно узнать, какие переменные были бы значимыми, если бы они вводились в модель поодиночке (отмечены желтым)

Для категориальных переменных – не все их уровни могут значимо отличаться от опорной категории. См., например, город-село.

Некоторые переменные, значимые на этом шаге, если их попытаться включить в модель вместе с другими переменными – могут оказаться незначимым.

Score – параметр, похожий на ХИ-квадрат. Чем он выше в расчете на одну степень свободы, тем важнее данная переменная для модели.

В нашем случае – очевидно, самый значимый – возраст. Он и будет введен в модель на первом шаге.

Block 1: Method = Forward Stepwise (Likelihood Ratio)

Нагелькерке Nagelkerke R Square – параметр, аналогичный ар-квадрат в линейной регрессии.

Самый важный шаг – первый: возраст объяснил 18% дисперсии, два последующих – добавили всего 3% (всего на третьем шаге 21%)

Анализируя коэффициенты B ниже – нужно проверить, нет ли мультиколлинеарности (рост коэффициентов, смена знаков).

В нашем случае – проблем нет.

В логистической регрессии нельзя интерпретировать коэффициенты B как изменение зависимой переменной при изменении независимой переменной на одну единицу, как это мы делали в простой линейной регрессии.

Интерпретируется Exp(B). Если этот коэффициент больше единицы – это означает, что при переходе независимой переменной к следующей категории шансы для моделируемой (большей) категории зависимой переменной (в нашем случае это пользование Интернетом каждый день – повышаются).

А, если он меньше единицы – они, наоборот, снижаются. Ниже будут конкретные примеры.

Отметим, что плюс коэффициента B соответствуют экспонентам больше единицы (рост вероятности, большего значения зависимой переменной), а, если он отрицательный – шансы большей категории, напротив, снижаются. Ниже будут конкретные примеры.

В таблице ниже Change in -2 Log Likelihood (аналогичен Хи-квадрату) показывает, что наиболее значимый предиктор в нашей модели – возраст.

92, 759 – большой ХИ-квадрат показывает, что, если возраст убрать из модели, то это ухудшит ее больше, чем удаление других переменных.

Показано, каких переменных не было в модели на каждом шаге: образование, семейное положение и голосование за Единую Россию так и не были включены в модель, так как они оказались незначимы.

Модели для обычной линейной регрессии и логистической – сходны. И та, и другая показывает, что самый важный предиктор пользования Интернетом – это возраст. Менее значимы – тип населенного пункта (город или село) и пол. Но, в логистической регрессии образование оказалось незначимым. Это может быть связано с тем, что в простой регрессии – более подробная кодировка зависимой переменной (то есть, учитывается частота пользования, а не только различия между теми, кто пользуется Интернетом каждый день, и не каждый день).