Post on 27-Jun-2020
transcript
Regressione Logistica: un Modello per
Variabili Risposta Categoriali
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54
Introduzione
Premessa
I modelli di regressione hanno lo scopo di studiare le determinanti di variabilirisposta quantitative (continue)
Tuttavia e possibile costruire modelli di regressione anche per variabilirisposta categoriali e/o discrete
Il caso delle variabili discrete e particolarmente complesso
Nel caso delle variabili categoriali possiamo distinguere 3 casi:
1 Variabili risposta dicotomiche o binarie (del tipo 0− 1, V-F, Sı-No, ecc.);
2 Variabili risposta politomiche o multinomiali ordinali (almeno 3 categorie dirisposta ordinate);
3 Variabili risposta politomiche o multinomiali non ordinali o nominali (almeno3 categorie di risposta ordinate).
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 2 / 54
Introduzione
Premessa
I modelli di regressione hanno lo scopo di studiare le determinanti di variabilirisposta quantitative (continue)
Tuttavia e possibile costruire modelli di regressione anche per variabilirisposta categoriali e/o discrete
Il caso delle variabili discrete e particolarmente complesso
Nel caso delle variabili categoriali possiamo distinguere 3 casi:
1 Variabili risposta dicotomiche o binarie (del tipo 0− 1, V-F, Sı-No, ecc.);
2 Variabili risposta politomiche o multinomiali ordinali (almeno 3 categorie dirisposta ordinate);
3 Variabili risposta politomiche o multinomiali non ordinali o nominali (almeno3 categorie di risposta ordinate).
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 2 / 54
Introduzione
Premessa
I modelli di regressione hanno lo scopo di studiare le determinanti di variabilirisposta quantitative (continue)
Tuttavia e possibile costruire modelli di regressione anche per variabilirisposta categoriali e/o discrete
Il caso delle variabili discrete e particolarmente complesso
Nel caso delle variabili categoriali possiamo distinguere 3 casi:
1 Variabili risposta dicotomiche o binarie (del tipo 0− 1, V-F, Sı-No, ecc.);
2 Variabili risposta politomiche o multinomiali ordinali (almeno 3 categorie dirisposta ordinate);
3 Variabili risposta politomiche o multinomiali non ordinali o nominali (almeno3 categorie di risposta ordinate).
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 2 / 54
Introduzione
Premessa
I modelli di regressione hanno lo scopo di studiare le determinanti di variabilirisposta quantitative (continue)
Tuttavia e possibile costruire modelli di regressione anche per variabilirisposta categoriali e/o discrete
Il caso delle variabili discrete e particolarmente complesso
Nel caso delle variabili categoriali possiamo distinguere 3 casi:
1 Variabili risposta dicotomiche o binarie (del tipo 0− 1, V-F, Sı-No, ecc.);
2 Variabili risposta politomiche o multinomiali ordinali (almeno 3 categorie dirisposta ordinate);
3 Variabili risposta politomiche o multinomiali non ordinali o nominali (almeno3 categorie di risposta ordinate).
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 2 / 54
Introduzione
Premessa
I modelli di regressione hanno lo scopo di studiare le determinanti di variabilirisposta quantitative (continue)
Tuttavia e possibile costruire modelli di regressione anche per variabilirisposta categoriali e/o discrete
Il caso delle variabili discrete e particolarmente complesso
Nel caso delle variabili categoriali possiamo distinguere 3 casi:
1 Variabili risposta dicotomiche o binarie (del tipo 0− 1, V-F, Sı-No, ecc.);
2 Variabili risposta politomiche o multinomiali ordinali (almeno 3 categorie dirisposta ordinate);
3 Variabili risposta politomiche o multinomiali non ordinali o nominali (almeno3 categorie di risposta ordinate).
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 2 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
Regressione Logistica
Si consideri una variabile risposta dicotomica Y . Essa prende valori 0 o 1
Solitamente si parla, rispettivamente, di fallimento e successo
Ricordiamo che la µ(Y ) = E (Y ) e pari alla proporzione di soggetti per i qualisi osserva il successo (Σ1/n)
Quindi i modelli di regressione logistica stimano le proporzioni dei successi inuna popolazione
Ovviamente P(y = 1) rappresenta la probabilita di osservare un successo perciascun soggetto della popolazione
Nel caso di Y dicotomica, si assumera che la sua distribuzione sia una v.c.binomiale
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 3 / 54
Regressione Logistica
La distribuzione binomiale
Per dati categoriali, possono verificarsi le seguenti condizioni:
1 Ciascuna osservazione cade in una di due categorie
2 Le probabilita per le due categorie sono le stesse per ciascuna osservazione.Indichiamo le probabilita con π per la categoria 1 e (1− π) per la categoria 2
3 I risultati di osservazioni successive sono indipendenti. Cioe, il risultato peruna osservazione non dipende dal risultato delle altre osservazioni
Un buon esempio e rappresentato dal lancio di una moneta: due possibilirisultati (T o C), probabilita costante ad ogni lancio (π = 0.50) e il risultatoad ogni lancio e indipendente dai precedenti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 4 / 54
Regressione Logistica
La distribuzione binomiale
Per dati categoriali, possono verificarsi le seguenti condizioni:
1 Ciascuna osservazione cade in una di due categorie
2 Le probabilita per le due categorie sono le stesse per ciascuna osservazione.Indichiamo le probabilita con π per la categoria 1 e (1− π) per la categoria 2
3 I risultati di osservazioni successive sono indipendenti. Cioe, il risultato peruna osservazione non dipende dal risultato delle altre osservazioni
Un buon esempio e rappresentato dal lancio di una moneta: due possibilirisultati (T o C), probabilita costante ad ogni lancio (π = 0.50) e il risultatoad ogni lancio e indipendente dai precedenti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 4 / 54
Regressione Logistica
La distribuzione binomiale
Per dati categoriali, possono verificarsi le seguenti condizioni:
1 Ciascuna osservazione cade in una di due categorie
2 Le probabilita per le due categorie sono le stesse per ciascuna osservazione.Indichiamo le probabilita con π per la categoria 1 e (1− π) per la categoria 2
3 I risultati di osservazioni successive sono indipendenti. Cioe, il risultato peruna osservazione non dipende dal risultato delle altre osservazioni
Un buon esempio e rappresentato dal lancio di una moneta: due possibilirisultati (T o C), probabilita costante ad ogni lancio (π = 0.50) e il risultatoad ogni lancio e indipendente dai precedenti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 4 / 54
Regressione Logistica
La distribuzione binomiale
Per dati categoriali, possono verificarsi le seguenti condizioni:
1 Ciascuna osservazione cade in una di due categorie
2 Le probabilita per le due categorie sono le stesse per ciascuna osservazione.Indichiamo le probabilita con π per la categoria 1 e (1− π) per la categoria 2
3 I risultati di osservazioni successive sono indipendenti. Cioe, il risultato peruna osservazione non dipende dal risultato delle altre osservazioni
Un buon esempio e rappresentato dal lancio di una moneta: due possibilirisultati (T o C), probabilita costante ad ogni lancio (π = 0.50) e il risultatoad ogni lancio e indipendente dai precedenti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 4 / 54
Regressione Logistica
La distribuzione binomiale
Per dati categoriali, possono verificarsi le seguenti condizioni:
1 Ciascuna osservazione cade in una di due categorie
2 Le probabilita per le due categorie sono le stesse per ciascuna osservazione.Indichiamo le probabilita con π per la categoria 1 e (1− π) per la categoria 2
3 I risultati di osservazioni successive sono indipendenti. Cioe, il risultato peruna osservazione non dipende dal risultato delle altre osservazioni
Un buon esempio e rappresentato dal lancio di una moneta: due possibilirisultati (T o C), probabilita costante ad ogni lancio (π = 0.50) e il risultatoad ogni lancio e indipendente dai precedenti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 4 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica
Definizione:
Probabilita per una Distribuzione Binomiale
Sia π la probabilita che un’osservazione assuma un valore della cate-goria 1. Nel caso di n osservazioni indipendenti, la probabilita di xsuccessi per la categoria 1 e
P(x) =n!
x!(n− x)!πx(1− π)n−x , x = 0, 1, 2, . . . , n.
Il simbolo n! e chiamato n fattoriale. Rappresenta n! = 1 × 2 ×3 · · · × n. Ad esempio, 1! = 1, 2! = 1× 2 = 2, 3! = 1 × 2 × 3 = 6,e cosı via. Per definizione, 0! e pari a 1.
Sostituendo ad x il valore del numero di successi desiderato per n e π fissati,si avra la P(x), cioe la probabilita di avere x successi in n lanci della moneta
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 5 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Proprieta di una distribuzione binomiale
La distribuzione binomiale tende alla simmetria per π → 0.50 ed eperfettamente simmetrica quando π = 0.50 con
µ = nπ, σ =√
nπ(1 − π).
Cio vale anche per la distribuzione campionaria di π
Inoltre tale comportamento si ha anche per valori di π vicini a 0 o a 1, mamolto piu lentamente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 6 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Proprieta di una distribuzione binomiale
La distribuzione binomiale tende alla simmetria per π → 0.50 ed eperfettamente simmetrica quando π = 0.50 con
µ = nπ, σ =√
nπ(1 − π).
Cio vale anche per la distribuzione campionaria di π
Inoltre tale comportamento si ha anche per valori di π vicini a 0 o a 1, mamolto piu lentamente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 6 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Proprieta di una distribuzione binomiale
La distribuzione binomiale tende alla simmetria per π → 0.50 ed eperfettamente simmetrica quando π = 0.50 con
µ = nπ, σ =√
nπ(1 − π).
Cio vale anche per la distribuzione campionaria di π
Inoltre tale comportamento si ha anche per valori di π vicini a 0 o a 1, mamolto piu lentamente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 6 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Proprieta di una distribuzione binomiale
La distribuzione binomiale tende alla simmetria per π → 0.50 ed eperfettamente simmetrica quando π = 0.50 con
µ = nπ, σ =√
nπ(1 − π).
Cio vale anche per la distribuzione campionaria di π
Inoltre tale comportamento si ha anche per valori di π vicini a 0 o a 1, mamolto piu lentamente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 6 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Distribuzione campionaria di π per vari valori di π e n
Probability
1.0
p 5 .1
p 5 .1
p
Probability
.5 1.0
p 5 .1
p 5 .1
p
Probability
0 1.0p 5 .5
p 5 .5
p
Probability
1.0
p 5 .1
p 5 .1
p
Probability
1.00 p 5 .5
p 5 .5
p
Probability
1.0p 5 .5
p 5 .5
p
0 .5
0
0 .5 0
n 5 10
n 5 50
n 5 100
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 7 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Distribuzione campionaria di π per vari valori di π e n
Probability
1.0
p 5 .1
p 5 .1
p
Probability
.5 1.0
p 5 .1
p 5 .1
p
Probability
0 1.0p 5 .5
p 5 .5
p
Probability
1.0
p 5 .1
p 5 .1
p
Probability
1.00 p 5 .5
p 5 .5
p
Probability
1.0p 5 .5
p 5 .5
p
0 .5
0
0 .5 0
n 5 10
n 5 50
n 5 100
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 7 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Esempio 6.10 — Genere e scelta degli allievi per il corso di
management
Nell’Esempio 6.1 avevamo trattato il caso di una popolazione di dipendentiper meta M e meta F
Scelti a caso n = 10 dipendenti, sia x il numero di F e π = 0.50 la probabilitadi scegliere una F
La probabilita di avere x F scegliendo n = 10 dipendenti e
P(x) =10!
x!(10− x)!(0.50)x(0.50)10−x , x = 0, 1, . . . , 10.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 8 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Esempio 6.10 — Genere e scelta degli allievi per il corso di
management
Nell’Esempio 6.1 avevamo trattato il caso di una popolazione di dipendentiper meta M e meta F
Scelti a caso n = 10 dipendenti, sia x il numero di F e π = 0.50 la probabilitadi scegliere una F
La probabilita di avere x F scegliendo n = 10 dipendenti e
P(x) =10!
x!(10− x)!(0.50)x(0.50)10−x , x = 0, 1, . . . , 10.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 8 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Esempio 6.10 — Genere e scelta degli allievi per il corso di
management
Nell’Esempio 6.1 avevamo trattato il caso di una popolazione di dipendentiper meta M e meta F
Scelti a caso n = 10 dipendenti, sia x il numero di F e π = 0.50 la probabilitadi scegliere una F
La probabilita di avere x F scegliendo n = 10 dipendenti e
P(x) =10!
x!(10− x)!(0.50)x(0.50)10−x , x = 0, 1, . . . , 10.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 8 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Esempio 6.10 — Genere e scelta degli allievi per il corso di
management
Nell’Esempio 6.1 avevamo trattato il caso di una popolazione di dipendentiper meta M e meta F
Scelti a caso n = 10 dipendenti, sia x il numero di F e π = 0.50 la probabilitadi scegliere una F
La probabilita di avere x F scegliendo n = 10 dipendenti e
P(x) =10!
x!(10− x)!(0.50)x(0.50)10−x , x = 0, 1, . . . , 10.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 8 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Ad esempio, la probabilita di non avere nessuna F (x = 0) e
P(0) =10!
0!10!(0.50)0(0.50)10 = (0.50)10 = 0.001.
La probabilita che sia scelta esattamente una femmina e pari a
P(1) =10!
1!9!(0.50)1(0.50)9 = 10(0.50)(0.50)9 = 0.010.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 9 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Ad esempio, la probabilita di non avere nessuna F (x = 0) e
P(0) =10!
0!10!(0.50)0(0.50)10 = (0.50)10 = 0.001.
La probabilita che sia scelta esattamente una femmina e pari a
P(1) =10!
1!9!(0.50)1(0.50)9 = 10(0.50)(0.50)9 = 0.010.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 9 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Modello a Probabilita Lineare
Nel caso di un modello con una sola variabile esplicativa (che sara continua)avremo
P(y = 1) = α+ βx
In questo caso si suppone che la probabilita di successo sia in funzione linearecon X
Per questa ragione prende il nome di Modello a Probabilita Lineare
Tuttavia e facile mostrare come tale modello sia inadeguato per prevedere laP(y = 1)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 10 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Modello a Probabilita Lineare
Nel caso di un modello con una sola variabile esplicativa (che sara continua)avremo
P(y = 1) = α+ βx
In questo caso si suppone che la probabilita di successo sia in funzione linearecon X
Per questa ragione prende il nome di Modello a Probabilita Lineare
Tuttavia e facile mostrare come tale modello sia inadeguato per prevedere laP(y = 1)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 10 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Modello a Probabilita Lineare
Nel caso di un modello con una sola variabile esplicativa (che sara continua)avremo
P(y = 1) = α+ βx
In questo caso si suppone che la probabilita di successo sia in funzione linearecon X
Per questa ragione prende il nome di Modello a Probabilita Lineare
Tuttavia e facile mostrare come tale modello sia inadeguato per prevedere laP(y = 1)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 10 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Modello a Probabilita Lineare
Nel caso di un modello con una sola variabile esplicativa (che sara continua)avremo
P(y = 1) = α+ βx
In questo caso si suppone che la probabilita di successo sia in funzione linearecon X
Per questa ragione prende il nome di Modello a Probabilita Lineare
Tuttavia e facile mostrare come tale modello sia inadeguato per prevedere laP(y = 1)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 10 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Sappiamo che la P(y = 1) e un valore dell’intevallo [0, 1] e non eccede taleintervallo
La figura mostra che il Modello a Probabilita Lineare non rispetta questacondizione
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Al contrario, la funzione logistica (casi 1 e 2), si dimostra adatta allo scopo
A questo punto il problema e: come faccio a linearizzare una funzionelogistica?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 11 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Sappiamo che la P(y = 1) e un valore dell’intevallo [0, 1] e non eccede taleintervallo
La figura mostra che il Modello a Probabilita Lineare non rispetta questacondizione
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Al contrario, la funzione logistica (casi 1 e 2), si dimostra adatta allo scopo
A questo punto il problema e: come faccio a linearizzare una funzionelogistica?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 11 / 54
Regressione Logistica Proprieta di una distribuzione binomiale
Sappiamo che la P(y = 1) e un valore dell’intevallo [0, 1] e non eccede taleintervallo
La figura mostra che il Modello a Probabilita Lineare non rispetta questacondizione
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Al contrario, la funzione logistica (casi 1 e 2), si dimostra adatta allo scopo
A questo punto il problema e: come faccio a linearizzare una funzionelogistica?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 11 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il Modello di Regressione Logistica per Risposte Binarie
In primo luogo scriviamo l’equazione di regressione di Y su X , utilizzando lafunzione logistica
P(y = 1) =eα+βx
1 + eα+βx.
In seguito riprenderemo questa formulazione. Per ora ci basti osservare comela relazione tra Y e X non sia lineare, bensı logistica
Per semplificare la notazione e ottenere risultati piu semplici, linearizziamoquesta espressione
Il modo piu semplice e passare al logaritmo naturale (base e) ambo i membridell’equazione e otteniamo
log [P(y = 1)] = log(eα+βx)− log(1 + eα+βx) =
= log(eα+βx)− 0− log(eα+βx) = 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 12 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il Modello di Regressione Logistica per Risposte Binarie
In primo luogo scriviamo l’equazione di regressione di Y su X , utilizzando lafunzione logistica
P(y = 1) =eα+βx
1 + eα+βx.
In seguito riprenderemo questa formulazione. Per ora ci basti osservare comela relazione tra Y e X non sia lineare, bensı logistica
Per semplificare la notazione e ottenere risultati piu semplici, linearizziamoquesta espressione
Il modo piu semplice e passare al logaritmo naturale (base e) ambo i membridell’equazione e otteniamo
log [P(y = 1)] = log(eα+βx)− log(1 + eα+βx) =
= log(eα+βx)− 0− log(eα+βx) = 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 12 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il Modello di Regressione Logistica per Risposte Binarie
In primo luogo scriviamo l’equazione di regressione di Y su X , utilizzando lafunzione logistica
P(y = 1) =eα+βx
1 + eα+βx.
In seguito riprenderemo questa formulazione. Per ora ci basti osservare comela relazione tra Y e X non sia lineare, bensı logistica
Per semplificare la notazione e ottenere risultati piu semplici, linearizziamoquesta espressione
Il modo piu semplice e passare al logaritmo naturale (base e) ambo i membridell’equazione e otteniamo
log [P(y = 1)] = log(eα+βx)− log(1 + eα+βx) =
= log(eα+βx)− 0− log(eα+βx) = 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 12 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il Modello di Regressione Logistica per Risposte Binarie
In primo luogo scriviamo l’equazione di regressione di Y su X , utilizzando lafunzione logistica
P(y = 1) =eα+βx
1 + eα+βx.
In seguito riprenderemo questa formulazione. Per ora ci basti osservare comela relazione tra Y e X non sia lineare, bensı logistica
Per semplificare la notazione e ottenere risultati piu semplici, linearizziamoquesta espressione
Il modo piu semplice e passare al logaritmo naturale (base e) ambo i membridell’equazione e otteniamo
log [P(y = 1)] = log(eα+βx)− log(1 + eα+βx) =
= log(eα+βx)− 0− log(eα+βx) = 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 12 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Per risolvere il problema, si costruisce il rapporto tra la probabilita di successoe la probabilita di insuccesso e lo si passa al logaritmo
log
[
P(y = 1)
1− P(y = 1)
]
= α+ βx .
Il rapporto di probabilita P(y = 1)/[1− P(y = 1)] e definito odds o rapporto
tra quote
Ad es., se P(y = 1) = 0.75, l’odds vale 0.75/0.25 = 3.0, cioe la probabilitadel successo e 3 volte il valore di quella dell’insuccesso
La quantita log [P(y = 1)/(1− P(y = 1))] trasformazione logistica o logit
In tal modo si avra il modello di regressione logistica
logit[P(y = 1)] = α+ βx .
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 13 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Per risolvere il problema, si costruisce il rapporto tra la probabilita di successoe la probabilita di insuccesso e lo si passa al logaritmo
log
[
P(y = 1)
1− P(y = 1)
]
= α+ βx .
Il rapporto di probabilita P(y = 1)/[1− P(y = 1)] e definito odds o rapporto
tra quote
Ad es., se P(y = 1) = 0.75, l’odds vale 0.75/0.25 = 3.0, cioe la probabilitadel successo e 3 volte il valore di quella dell’insuccesso
La quantita log [P(y = 1)/(1− P(y = 1))] trasformazione logistica o logit
In tal modo si avra il modello di regressione logistica
logit[P(y = 1)] = α+ βx .
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 13 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Per risolvere il problema, si costruisce il rapporto tra la probabilita di successoe la probabilita di insuccesso e lo si passa al logaritmo
log
[
P(y = 1)
1− P(y = 1)
]
= α+ βx .
Il rapporto di probabilita P(y = 1)/[1− P(y = 1)] e definito odds o rapporto
tra quote
Ad es., se P(y = 1) = 0.75, l’odds vale 0.75/0.25 = 3.0, cioe la probabilitadel successo e 3 volte il valore di quella dell’insuccesso
La quantita log [P(y = 1)/(1− P(y = 1))] trasformazione logistica o logit
In tal modo si avra il modello di regressione logistica
logit[P(y = 1)] = α+ βx .
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 13 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Per risolvere il problema, si costruisce il rapporto tra la probabilita di successoe la probabilita di insuccesso e lo si passa al logaritmo
log
[
P(y = 1)
1− P(y = 1)
]
= α+ βx .
Il rapporto di probabilita P(y = 1)/[1− P(y = 1)] e definito odds o rapporto
tra quote
Ad es., se P(y = 1) = 0.75, l’odds vale 0.75/0.25 = 3.0, cioe la probabilitadel successo e 3 volte il valore di quella dell’insuccesso
La quantita log [P(y = 1)/(1− P(y = 1))] trasformazione logistica o logit
In tal modo si avra il modello di regressione logistica
logit[P(y = 1)] = α+ βx .
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 13 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Per risolvere il problema, si costruisce il rapporto tra la probabilita di successoe la probabilita di insuccesso e lo si passa al logaritmo
log
[
P(y = 1)
1− P(y = 1)
]
= α+ βx .
Il rapporto di probabilita P(y = 1)/[1− P(y = 1)] e definito odds o rapporto
tra quote
Ad es., se P(y = 1) = 0.75, l’odds vale 0.75/0.25 = 3.0, cioe la probabilitadel successo e 3 volte il valore di quella dell’insuccesso
La quantita log [P(y = 1)/(1− P(y = 1))] trasformazione logistica o logit
In tal modo si avra il modello di regressione logistica
logit[P(y = 1)] = α+ βx .
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 13 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Il logit[P(y = 1)] varia linearmente in funzione di X oltre l’intervallo [0, 1],mentre la [P(y = 1)] varia seguendo la funzione logistica entro l’intervallo[0, 1]
Il valore di β indica se la [P(y = 1)] cresce (β > 0) o decresce (β < 0) alcrescere di X
Nelle due curve del grafico, la (2) ha un |β| piu grande di quello della curva(1)
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 14 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Il logit[P(y = 1)] varia linearmente in funzione di X oltre l’intervallo [0, 1],mentre la [P(y = 1)] varia seguendo la funzione logistica entro l’intervallo[0, 1]
Il valore di β indica se la [P(y = 1)] cresce (β > 0) o decresce (β < 0) alcrescere di X
Nelle due curve del grafico, la (2) ha un |β| piu grande di quello della curva(1)
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 14 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Il logit[P(y = 1)] varia linearmente in funzione di X oltre l’intervallo [0, 1],mentre la [P(y = 1)] varia seguendo la funzione logistica entro l’intervallo[0, 1]
Il valore di β indica se la [P(y = 1)] cresce (β > 0) o decresce (β < 0) alcrescere di X
Nelle due curve del grafico, la (2) ha un |β| piu grande di quello della curva(1)
0
1
Linear
Logistic (1)
Logistic (2)
P(y 5 1)
x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 14 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Quando P(y = 1) = 0.50, l’odds P(y = 1)/[1− P(y = 1)] = 1,conseguentemente il log[P(y = 1)/(1− P(y = 1))] = 0
Per determinare il valore di x per il quale P(y = 1) = 0.50, eguagliamo illog(odds) pari a 0 al secondo membro dell’equazione del modello α+ βx
Risolvendo per x otteniamo P(y = 1) = 0.50 quando x = −α/β
In questo modo siamo in grado di determinare il valore di X per il quale laprobabilita di successo eguaglia quella di insuccesso
Le stime dei parametri α e β sono ottenute applicando il Metodo della
Massima Verosimiglianza e non quello dei Minimi Quadrati
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 15 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Quando P(y = 1) = 0.50, l’odds P(y = 1)/[1− P(y = 1)] = 1,conseguentemente il log[P(y = 1)/(1− P(y = 1))] = 0
Per determinare il valore di x per il quale P(y = 1) = 0.50, eguagliamo illog(odds) pari a 0 al secondo membro dell’equazione del modello α+ βx
Risolvendo per x otteniamo P(y = 1) = 0.50 quando x = −α/β
In questo modo siamo in grado di determinare il valore di X per il quale laprobabilita di successo eguaglia quella di insuccesso
Le stime dei parametri α e β sono ottenute applicando il Metodo della
Massima Verosimiglianza e non quello dei Minimi Quadrati
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 15 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Quando P(y = 1) = 0.50, l’odds P(y = 1)/[1− P(y = 1)] = 1,conseguentemente il log[P(y = 1)/(1− P(y = 1))] = 0
Per determinare il valore di x per il quale P(y = 1) = 0.50, eguagliamo illog(odds) pari a 0 al secondo membro dell’equazione del modello α+ βx
Risolvendo per x otteniamo P(y = 1) = 0.50 quando x = −α/β
In questo modo siamo in grado di determinare il valore di X per il quale laprobabilita di successo eguaglia quella di insuccesso
Le stime dei parametri α e β sono ottenute applicando il Metodo della
Massima Verosimiglianza e non quello dei Minimi Quadrati
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 15 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Quando P(y = 1) = 0.50, l’odds P(y = 1)/[1− P(y = 1)] = 1,conseguentemente il log[P(y = 1)/(1− P(y = 1))] = 0
Per determinare il valore di x per il quale P(y = 1) = 0.50, eguagliamo illog(odds) pari a 0 al secondo membro dell’equazione del modello α+ βx
Risolvendo per x otteniamo P(y = 1) = 0.50 quando x = −α/β
In questo modo siamo in grado di determinare il valore di X per il quale laprobabilita di successo eguaglia quella di insuccesso
Le stime dei parametri α e β sono ottenute applicando il Metodo della
Massima Verosimiglianza e non quello dei Minimi Quadrati
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 15 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Interpretazione del parametro β
Quando P(y = 1) = 0.50, l’odds P(y = 1)/[1− P(y = 1)] = 1,conseguentemente il log[P(y = 1)/(1− P(y = 1))] = 0
Per determinare il valore di x per il quale P(y = 1) = 0.50, eguagliamo illog(odds) pari a 0 al secondo membro dell’equazione del modello α+ βx
Risolvendo per x otteniamo P(y = 1) = 0.50 quando x = −α/β
In questo modo siamo in grado di determinare il valore di X per il quale laprobabilita di successo eguaglia quella di insuccesso
Le stime dei parametri α e β sono ottenute applicando il Metodo della
Massima Verosimiglianza e non quello dei Minimi Quadrati
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 15 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Esempio 15.1 — Reddito e Possesso delle Carte di Credito
Si consideri un campione di n = 100 adulti selezionati casualmente in Italia.Si e rilevato il reddito annuale e se possedevano o meno una carta di credito
La variabile risposta e dicotomica (possesso CC: 1 = Sı, 0 = No). Ilpredittore e quantitativo
A ciascun livello di X , si puo calcolare la probabilita di possedere una CC,attraverso il rapporto tra i soggetti che posseggono una CC e il totalesoggetti per quel valore di X
Tabella: Reddito Annuale (in Migliaia di Euro) e Possesso di una Carta di Credito.
Number Credit Number Credit Number CreditIncome Cases Cards Income Cases Cards Income Cases Cards12 1 0 21 2 0 34 3 313 1 0 22 1 1 35 5 314 8 2 24 2 0 39 1 015 14 2 25 10 2 40 1 016 9 0 26 1 0 42 1 017 8 2 29 1 0 47 1 019 5 1 30 5 2 60 6 620 7 0 32 6 6 65 1 1
Fonte: Si ringrazia R. Piccarreta, Universita Bocconi University, Milano.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 16 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Esempio 15.1 — Reddito e Possesso delle Carte di Credito
Si consideri un campione di n = 100 adulti selezionati casualmente in Italia.Si e rilevato il reddito annuale e se possedevano o meno una carta di credito
La variabile risposta e dicotomica (possesso CC: 1 = Sı, 0 = No). Ilpredittore e quantitativo
A ciascun livello di X , si puo calcolare la probabilita di possedere una CC,attraverso il rapporto tra i soggetti che posseggono una CC e il totalesoggetti per quel valore di X
Tabella: Reddito Annuale (in Migliaia di Euro) e Possesso di una Carta di Credito.
Number Credit Number Credit Number CreditIncome Cases Cards Income Cases Cards Income Cases Cards12 1 0 21 2 0 34 3 313 1 0 22 1 1 35 5 314 8 2 24 2 0 39 1 015 14 2 25 10 2 40 1 016 9 0 26 1 0 42 1 017 8 2 29 1 0 47 1 019 5 1 30 5 2 60 6 620 7 0 32 6 6 65 1 1
Fonte: Si ringrazia R. Piccarreta, Universita Bocconi University, Milano.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 16 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Esempio 15.1 — Reddito e Possesso delle Carte di Credito
Si consideri un campione di n = 100 adulti selezionati casualmente in Italia.Si e rilevato il reddito annuale e se possedevano o meno una carta di credito
La variabile risposta e dicotomica (possesso CC: 1 = Sı, 0 = No). Ilpredittore e quantitativo
A ciascun livello di X , si puo calcolare la probabilita di possedere una CC,attraverso il rapporto tra i soggetti che posseggono una CC e il totalesoggetti per quel valore di X
Tabella: Reddito Annuale (in Migliaia di Euro) e Possesso di una Carta di Credito.
Number Credit Number Credit Number CreditIncome Cases Cards Income Cases Cards Income Cases Cards12 1 0 21 2 0 34 3 313 1 0 22 1 1 35 5 314 8 2 24 2 0 39 1 015 14 2 25 10 2 40 1 016 9 0 26 1 0 42 1 017 8 2 29 1 0 47 1 019 5 1 30 5 2 60 6 620 7 0 32 6 6 65 1 1
Fonte: Si ringrazia R. Piccarreta, Universita Bocconi University, Milano.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 16 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il modello stimato e
logit[P(y = 1)] = −3.518 + 0.105x .
Il valore di β = 0.105 > 0, indica che al crescere del Reddito Annuale crescela probabilita di possedere una CC
Il software fornisce il seguente prospetto
Tabella: Modello di Regressione Logistica sul Possesso della Carta di Credito in Italia
B S.E. Exp(B)reddito .1054 .0262 1.111costante -3.5179 .7103
Il valore exp(B) = exp(.1054) = 1.111 consente di calcolare l’odds ratio (OR)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 17 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il modello stimato e
logit[P(y = 1)] = −3.518 + 0.105x .
Il valore di β = 0.105 > 0, indica che al crescere del Reddito Annuale crescela probabilita di possedere una CC
Il software fornisce il seguente prospetto
Tabella: Modello di Regressione Logistica sul Possesso della Carta di Credito in Italia
B S.E. Exp(B)reddito .1054 .0262 1.111costante -3.5179 .7103
Il valore exp(B) = exp(.1054) = 1.111 consente di calcolare l’odds ratio (OR)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 17 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il modello stimato e
logit[P(y = 1)] = −3.518 + 0.105x .
Il valore di β = 0.105 > 0, indica che al crescere del Reddito Annuale crescela probabilita di possedere una CC
Il software fornisce il seguente prospetto
Tabella: Modello di Regressione Logistica sul Possesso della Carta di Credito in Italia
B S.E. Exp(B)reddito .1054 .0262 1.111costante -3.5179 .7103
Il valore exp(B) = exp(.1054) = 1.111 consente di calcolare l’odds ratio (OR)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 17 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il modello stimato e
logit[P(y = 1)] = −3.518 + 0.105x .
Il valore di β = 0.105 > 0, indica che al crescere del Reddito Annuale crescela probabilita di possedere una CC
Il software fornisce il seguente prospetto
Tabella: Modello di Regressione Logistica sul Possesso della Carta di Credito in Italia
B S.E. Exp(B)reddito .1054 .0262 1.111costante -3.5179 .7103
Il valore exp(B) = exp(.1054) = 1.111 consente di calcolare l’odds ratio (OR)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 17 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il grafico mostra la funzione di previsione per il logit
0
1
Income0 12 24 36 48 60 72
P(y 5 1)ˆ
La probabilita di successo vale 0.50 per x = −α/β = (3.518)/(0.105) = 33.5
Cioe la probabilita stimata di possedere una CC e inferiore a 0.50 per redditiinferiori a 33.5 migliaia di euro, superiore a 0.50 per redditi superiori a quellasoglia
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 18 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il grafico mostra la funzione di previsione per il logit
0
1
Income0 12 24 36 48 60 72
P(y 5 1)ˆ
La probabilita di successo vale 0.50 per x = −α/β = (3.518)/(0.105) = 33.5
Cioe la probabilita stimata di possedere una CC e inferiore a 0.50 per redditiinferiori a 33.5 migliaia di euro, superiore a 0.50 per redditi superiori a quellasoglia
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 18 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il grafico mostra la funzione di previsione per il logit
0
1
Income0 12 24 36 48 60 72
P(y 5 1)ˆ
La probabilita di successo vale 0.50 per x = −α/β = (3.518)/(0.105) = 33.5
Cioe la probabilita stimata di possedere una CC e inferiore a 0.50 per redditiinferiori a 33.5 migliaia di euro, superiore a 0.50 per redditi superiori a quellasoglia
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 18 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Il grafico mostra la funzione di previsione per il logit
0
1
Income0 12 24 36 48 60 72
P(y 5 1)ˆ
La probabilita di successo vale 0.50 per x = −α/β = (3.518)/(0.105) = 33.5
Cioe la probabilita stimata di possedere una CC e inferiore a 0.50 per redditiinferiori a 33.5 migliaia di euro, superiore a 0.50 per redditi superiori a quellasoglia
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 18 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Equazione di Regressione Logistica per le Probabilita
Abbiamo visto a cosa corrisponde direttamente la P(y = 1)
Si puo, quindi, costruire un’equazione che stimi direttamente tale probabilitae non il suo logit, cioe
P(y = 1) =eα+βx
1 + eα+βx. (1)
In questa equazione la potenza di e rappresenta l’antilogaritmo
Ricordiamo che il numero di Nepero e rappresenta la base del logaritmonaturale, cioe il numero a cui bisogna elevare la base per avere l’argomento.Ad es.,
loge(1) = 0 in quanto e0 = 1
Attraverso la formula (1) e possibile determinare la probabilita di successoper qualunque valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 19 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Nel nostro caso, per un soggetto con Reddito Annuale x = 12 avremo
P(y = 1) =e−3.52+0.105(12)
1 + e−3.52+0.105(12)=
e−2.26
1 + e−2.26=
0.104
1.104= 0.094.
La probabilita stimata di possedere una CC e 0.094
Per redditi pari a x = 40 e x = 65 avremo, rispettivamente
P(y = 1) =e−3.52+0.105(40)
1 + e−3.52+0.105(40)=
e0.68
1 + e0.68=
1.974
2.974= 0.664.
P(y = 1) =e−3.52+0.105(65)
1 + e−3.52+0.105(65)=
e3.30
1 + e3.30=
27.249
28.249= 0.970.
In pratica chi ha un reddito di x = 40 ha una probabilita di possedere una CCpari a 0.664
Per chi ha un reddito pari a x = 65, tale probabilita e 0.970
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 20 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Nel nostro caso, per un soggetto con Reddito Annuale x = 12 avremo
P(y = 1) =e−3.52+0.105(12)
1 + e−3.52+0.105(12)=
e−2.26
1 + e−2.26=
0.104
1.104= 0.094.
La probabilita stimata di possedere una CC e 0.094
Per redditi pari a x = 40 e x = 65 avremo, rispettivamente
P(y = 1) =e−3.52+0.105(40)
1 + e−3.52+0.105(40)=
e0.68
1 + e0.68=
1.974
2.974= 0.664.
P(y = 1) =e−3.52+0.105(65)
1 + e−3.52+0.105(65)=
e3.30
1 + e3.30=
27.249
28.249= 0.970.
In pratica chi ha un reddito di x = 40 ha una probabilita di possedere una CCpari a 0.664
Per chi ha un reddito pari a x = 65, tale probabilita e 0.970
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 20 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Nel nostro caso, per un soggetto con Reddito Annuale x = 12 avremo
P(y = 1) =e−3.52+0.105(12)
1 + e−3.52+0.105(12)=
e−2.26
1 + e−2.26=
0.104
1.104= 0.094.
La probabilita stimata di possedere una CC e 0.094
Per redditi pari a x = 40 e x = 65 avremo, rispettivamente
P(y = 1) =e−3.52+0.105(40)
1 + e−3.52+0.105(40)=
e0.68
1 + e0.68=
1.974
2.974= 0.664.
P(y = 1) =e−3.52+0.105(65)
1 + e−3.52+0.105(65)=
e3.30
1 + e3.30=
27.249
28.249= 0.970.
In pratica chi ha un reddito di x = 40 ha una probabilita di possedere una CCpari a 0.664
Per chi ha un reddito pari a x = 65, tale probabilita e 0.970
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 20 / 54
Regressione Logistica Il Modello di Regressione Logistica per Risposte Binarie
Nel nostro caso, per un soggetto con Reddito Annuale x = 12 avremo
P(y = 1) =e−3.52+0.105(12)
1 + e−3.52+0.105(12)=
e−2.26
1 + e−2.26=
0.104
1.104= 0.094.
La probabilita stimata di possedere una CC e 0.094
Per redditi pari a x = 40 e x = 65 avremo, rispettivamente
P(y = 1) =e−3.52+0.105(40)
1 + e−3.52+0.105(40)=
e0.68
1 + e0.68=
1.974
2.974= 0.664.
P(y = 1) =e−3.52+0.105(65)
1 + e−3.52+0.105(65)=
e3.30
1 + e3.30=
27.249
28.249= 0.970.
In pratica chi ha un reddito di x = 40 ha una probabilita di possedere una CCpari a 0.664
Per chi ha un reddito pari a x = 65, tale probabilita e 0.970
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 20 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione del Modello di Regressione Logistica
L’interpretazione di β non e semplice. Presenteremo due approcci distinti
Abbiamo visto come il suo segno ci segnala una crescita (β > 0) o undecremento β < 0 nella P(Y = 1), all’aumentare di x
Tuttavia non siamo in grado di dire di quanto cresce/descresce P(Y = 1)
Tale difficolta deriva dalla particolare forma a S della funzione logistica
Solo nel caso del Modello a Probabilita Lineare, β viene interpretato come nelModello di Regressione Lineare. Tuttavia abbiamo gia visto che il MPL non eadeguato
Un’adeguata interpretazione di β si ottiene sfruttando il concetto di tangentedella funzione logistica. Infatti solo in questo modo siamo in grado di capiredi quanto cresce/descesce la P(Y = 1) per ogni valore di x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 21 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
La Figura mostra chiaramente a cosa corrisponde l’incremento in P(Y = 1)considerando l’inclinazione della tangente pari a βP(y = 1)[1− P(y = 1)]
0
1
1
x
P(y 5 1)
Slope bP(y 5 1) [1 2 P(y 5 1)]
bP(y 5 1) [1 2 P(y 5 1)]
L’inclinazione β e massima, quando P(y = 1) = 1/2. In questo casoβ(1/2)(1/2) = β/4 rappresenta l’effetto massimo
Cosı, quando P(y = 1) e prossimo ad 1/2, un quarto dell’effetto delparametro β indica di quanto cresce la P(y = 1) in corrispondenza ad unincremento unitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 22 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
La Figura mostra chiaramente a cosa corrisponde l’incremento in P(Y = 1)considerando l’inclinazione della tangente pari a βP(y = 1)[1− P(y = 1)]
0
1
1
x
P(y 5 1)
Slope bP(y 5 1) [1 2 P(y 5 1)]
bP(y 5 1) [1 2 P(y 5 1)]
L’inclinazione β e massima, quando P(y = 1) = 1/2. In questo casoβ(1/2)(1/2) = β/4 rappresenta l’effetto massimo
Cosı, quando P(y = 1) e prossimo ad 1/2, un quarto dell’effetto delparametro β indica di quanto cresce la P(y = 1) in corrispondenza ad unincremento unitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 22 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
La Figura mostra chiaramente a cosa corrisponde l’incremento in P(Y = 1)considerando l’inclinazione della tangente pari a βP(y = 1)[1− P(y = 1)]
0
1
1
x
P(y 5 1)
Slope bP(y 5 1) [1 2 P(y 5 1)]
bP(y 5 1) [1 2 P(y 5 1)]
L’inclinazione β e massima, quando P(y = 1) = 1/2. In questo casoβ(1/2)(1/2) = β/4 rappresenta l’effetto massimo
Cosı, quando P(y = 1) e prossimo ad 1/2, un quarto dell’effetto delparametro β indica di quanto cresce la P(y = 1) in corrispondenza ad unincremento unitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 22 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Riprendiamo l’esempio sulle Carte di Credito dove β = 0.105
In corrispondenza di una probabilita stimata di possesso di una CC pari aP(y = 1) =1/2,la tangente alla logistica ha un’inclinazione pari aβ/4 = 0.105/4 = 0.026
Quindi considerando un incremento di 1000 euro al reddito cui corrispondeP(Y = 1)=1/2, la P(Y = 1) cresce di β/4 = 0.026, cioe il 2,6%
L’intensita dell’effetto di X su Y non sara la stessa ∀x
Ad es., per un valore del reddito pari a x = 25, si ha P(y = 1) = 0.29, da cuiβP(y = 1)[1− P(y = 1)] = 0.105(0.29)(0.71) = 0.022
In questo caso la robabilita di possedere una CC cresce del 2.2%
Osservando la Figura, si comprende come l’effetto di X su Y sia debole pervalori bassi o alti di X , piu consistente per valori centrali, massima perx = 33.5
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 23 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Ogni software e in grado di stimare il Modello a Probabilita LineareP(y = 1) = α+ βx
Nel ns esempio si ha P(y = 1) = −0.159 + 0.019x . Sostanzialmente alcrescere di 1000 euro, la P(y = 1) cresce di circa 0.02
Ovviamente per valori estremi di X , le stime di P(y = 1) possono eccederel’intervallo [0, 1]
Ad es., se x ≥ 61 allora P(y = 1) > 1
In alternativa si potrebbero confrontare i valori di P(y = 1) per alcuni valoridi x
In questo caso, in presenza di un effetto rilevante, abbiamo gia visto che laP(y = 1) varia tra 0.09 e 0.97 confrontando i valori estremi di X
Come si puo ovviare ai problemi mostrati nell’interpretare in maniera univocala stima β?
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 24 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La soluzione che consente di interpretare adeguatamente β prevede diutilizzare l’odds ratio
Applichiamo l’antilogaritmo ad ambo i membri dell’equazione
logP(y = 1)
1− P(y = 1)= α+ βx
OtteniamoP(y = 1)
1− P(y = 1)= eα+βx = eα(eβ)x .
Si osserva chiaramente come il termine eβ indichi di quanto si modifichil’odds (il rapporto tra le probabilita) in corrispondenza ad un incrementounitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 25 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La soluzione che consente di interpretare adeguatamente β prevede diutilizzare l’odds ratio
Applichiamo l’antilogaritmo ad ambo i membri dell’equazione
logP(y = 1)
1− P(y = 1)= α+ βx
OtteniamoP(y = 1)
1− P(y = 1)= eα+βx = eα(eβ)x .
Si osserva chiaramente come il termine eβ indichi di quanto si modifichil’odds (il rapporto tra le probabilita) in corrispondenza ad un incrementounitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 25 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La soluzione che consente di interpretare adeguatamente β prevede diutilizzare l’odds ratio
Applichiamo l’antilogaritmo ad ambo i membri dell’equazione
logP(y = 1)
1− P(y = 1)= α+ βx
OtteniamoP(y = 1)
1− P(y = 1)= eα+βx = eα(eβ)x .
Si osserva chiaramente come il termine eβ indichi di quanto si modifichil’odds (il rapporto tra le probabilita) in corrispondenza ad un incrementounitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 25 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La soluzione che consente di interpretare adeguatamente β prevede diutilizzare l’odds ratio
Applichiamo l’antilogaritmo ad ambo i membri dell’equazione
logP(y = 1)
1− P(y = 1)= α+ βx
OtteniamoP(y = 1)
1− P(y = 1)= eα+βx = eα(eβ)x .
Si osserva chiaramente come il termine eβ indichi di quanto si modifichil’odds (il rapporto tra le probabilita) in corrispondenza ad un incrementounitario in x
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 25 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
Sui dati dell’esempio sulle CC si ottiene e β = e0.105 = 1.11
Cioe, all’incremento di 1000 euro di reddito, l’odds cresce di un fattoremoltiplicativo pari a 1.11; in pratica cresce dell’11%
L’odds per x = 25 e
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(25) = 0.414
Considerando un incremento unitario in X , per x = 25 si ha
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(26) = 0.460,
In pratica 0.460/0.414 = 1.11 = e0.105
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 26 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
Sui dati dell’esempio sulle CC si ottiene e β = e0.105 = 1.11
Cioe, all’incremento di 1000 euro di reddito, l’odds cresce di un fattoremoltiplicativo pari a 1.11; in pratica cresce dell’11%
L’odds per x = 25 e
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(25) = 0.414
Considerando un incremento unitario in X , per x = 25 si ha
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(26) = 0.460,
In pratica 0.460/0.414 = 1.11 = e0.105
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 26 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
Sui dati dell’esempio sulle CC si ottiene e β = e0.105 = 1.11
Cioe, all’incremento di 1000 euro di reddito, l’odds cresce di un fattoremoltiplicativo pari a 1.11; in pratica cresce dell’11%
L’odds per x = 25 e
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(25) = 0.414
Considerando un incremento unitario in X , per x = 25 si ha
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(26) = 0.460,
In pratica 0.460/0.414 = 1.11 = e0.105
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 26 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
Sui dati dell’esempio sulle CC si ottiene e β = e0.105 = 1.11
Cioe, all’incremento di 1000 euro di reddito, l’odds cresce di un fattoremoltiplicativo pari a 1.11; in pratica cresce dell’11%
L’odds per x = 25 e
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(25) = 0.414
Considerando un incremento unitario in X , per x = 25 si ha
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(26) = 0.460,
In pratica 0.460/0.414 = 1.11 = e0.105
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 26 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
Sui dati dell’esempio sulle CC si ottiene e β = e0.105 = 1.11
Cioe, all’incremento di 1000 euro di reddito, l’odds cresce di un fattoremoltiplicativo pari a 1.11; in pratica cresce dell’11%
L’odds per x = 25 e
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(25) = 0.414
Considerando un incremento unitario in X , per x = 25 si ha
Odds Stimato =P(y = 1)
1− P(y = 1)= e−3.518+0.105(26) = 0.460,
In pratica 0.460/0.414 = 1.11 = e0.105
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 26 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Interpretazione del Modello di Regressione Logistica
Interpretazione di β Utilizzando Odds e Odds Ratio
La quantita e0.105 non e altro che l’Odds Ratio (Rapporto tra Quote), datoappunto dal rapporto tra l’odds avendo un reddito = 26, diviso l’odds avendoun reddito = 25
L’utilizzo dell’Odds Ratio (OR) risolve i problemi di rappresentazione einterpretazione di β
Infatti, puo variare tra 0 e 1 (se l’odds a numeratore e inferiore di quello adenominatore), oppure eccedere il valore 1 indefinitamente. Cioe
0 ≤ OR ≤ +∞
Supponiamo di confrontare due individui con, rispettivamente, reddito pari ax = 20 e x = 30
Sara sufficiente calcolare
e10β = (eβ)10 = (1.11)10 = 2.9
L’odds per x = 30 e 2.9 volte l’odds per x = 20
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 27 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla
Naturalmente e possibile estendere il Modello di Regressione Logistica a k
predittorilogit[P(y = 1)] = α+ β1x1 + · · ·+ βkxk
Per calcolare la probabilita di successo avremo
P(y = 1) =eα+β1x1+···+βkxk
1 + eα+β1x1+···+βkxk.
Ciascuna stima di β rappresenta l’effetto di quel predittore sul logit,controllando per le altre variabili
Oppure indichera l’effetto moltiplicativo di quel predittore sulla probabilita disuccesso, controllando per le altre variabili
Quanto piu β > 0, tanto piu l’OR > 1 e rappresentera un effetto piu forte
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 28 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla
Naturalmente e possibile estendere il Modello di Regressione Logistica a k
predittorilogit[P(y = 1)] = α+ β1x1 + · · ·+ βkxk
Per calcolare la probabilita di successo avremo
P(y = 1) =eα+β1x1+···+βkxk
1 + eα+β1x1+···+βkxk.
Ciascuna stima di β rappresenta l’effetto di quel predittore sul logit,controllando per le altre variabili
Oppure indichera l’effetto moltiplicativo di quel predittore sulla probabilita disuccesso, controllando per le altre variabili
Quanto piu β > 0, tanto piu l’OR > 1 e rappresentera un effetto piu forte
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 28 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla
Naturalmente e possibile estendere il Modello di Regressione Logistica a k
predittorilogit[P(y = 1)] = α+ β1x1 + · · ·+ βkxk
Per calcolare la probabilita di successo avremo
P(y = 1) =eα+β1x1+···+βkxk
1 + eα+β1x1+···+βkxk.
Ciascuna stima di β rappresenta l’effetto di quel predittore sul logit,controllando per le altre variabili
Oppure indichera l’effetto moltiplicativo di quel predittore sulla probabilita disuccesso, controllando per le altre variabili
Quanto piu β > 0, tanto piu l’OR > 1 e rappresentera un effetto piu forte
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 28 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla
Naturalmente e possibile estendere il Modello di Regressione Logistica a k
predittorilogit[P(y = 1)] = α+ β1x1 + · · ·+ βkxk
Per calcolare la probabilita di successo avremo
P(y = 1) =eα+β1x1+···+βkxk
1 + eα+β1x1+···+βkxk.
Ciascuna stima di β rappresenta l’effetto di quel predittore sul logit,controllando per le altre variabili
Oppure indichera l’effetto moltiplicativo di quel predittore sulla probabilita disuccesso, controllando per le altre variabili
Quanto piu β > 0, tanto piu l’OR > 1 e rappresentera un effetto piu forte
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 28 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla
Naturalmente e possibile estendere il Modello di Regressione Logistica a k
predittorilogit[P(y = 1)] = α+ β1x1 + · · ·+ βkxk
Per calcolare la probabilita di successo avremo
P(y = 1) =eα+β1x1+···+βkxk
1 + eα+β1x1+···+βkxk.
Ciascuna stima di β rappresenta l’effetto di quel predittore sul logit,controllando per le altre variabili
Oppure indichera l’effetto moltiplicativo di quel predittore sulla probabilita disuccesso, controllando per le altre variabili
Quanto piu β > 0, tanto piu l’OR > 1 e rappresentera un effetto piu forte
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 28 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla con Interazioni
L’estensione al modello con interazioni e immediata e del tutto analoga aquanto visto per il Modello di Regressione Multivariato. Con due predittoriX1 e X2 avremo
logit[P(y = 1)] = α+ β1x1 + β2x2 + β3x1x2
oppurelogit[P(y = 1)] = α+ β1x1 + β2x2 + γ12x1x2
L’interpretazione dell’interazione non e semplice. L’approfondiremo in seguito
Si possono inserire predittori qualitativi utilizzando le variabili dummy
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 29 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla con Interazioni
L’estensione al modello con interazioni e immediata e del tutto analoga aquanto visto per il Modello di Regressione Multivariato. Con due predittoriX1 e X2 avremo
logit[P(y = 1)] = α+ β1x1 + β2x2 + β3x1x2
oppurelogit[P(y = 1)] = α+ β1x1 + β2x2 + γ12x1x2
L’interpretazione dell’interazione non e semplice. L’approfondiremo in seguito
Si possono inserire predittori qualitativi utilizzando le variabili dummy
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 29 / 54
Regressione Logistica Regressione Logistica Multipla
Regressione Logistica Multipla con Interazioni
L’estensione al modello con interazioni e immediata e del tutto analoga aquanto visto per il Modello di Regressione Multivariato. Con due predittoriX1 e X2 avremo
logit[P(y = 1)] = α+ β1x1 + β2x2 + β3x1x2
oppurelogit[P(y = 1)] = α+ β1x1 + β2x2 + γ12x1x2
L’interpretazione dell’interazione non e semplice. L’approfondiremo in seguito
Si possono inserire predittori qualitativi utilizzando le variabili dummy
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 29 / 54
Regressione Logistica Regressione Logistica Multipla
Esempio 15.2 — Pena di Morte e Influenza della Razza di
Vittime e Imputati
Si tratta di un celebre caso-studio, molto noto in bibliografia. Si vuoledeterminare se la probabilita di essere condannato a morte dipenda (o meno)dalla razza dell’accusato e/o da quella della vittima
Tabella: Verdetti di Pena di Morte secondo la Razza dell’Imputato e della Vittima,nei Casi di Omicidi Plurimi in Florida
Pena di MorteRazza Razza %imputato vittima Sı No SıBianca Bianca 53 414 11.3
Nera 0 16 0.0Nera Bianca 11 37 22.9
Nera 4 139 2.8
La variabile risposta (Y ) e la condanna (Pena di Morte Sı-No), i predittorisono la Razza della Vittima e quella dell’Imputato
I predittori sono qualitativi categorici (Bianca-Nera)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 30 / 54
Regressione Logistica Regressione Logistica Multipla
Esempio 15.2 — Pena di Morte e Influenza della Razza di
Vittime e Imputati
Si tratta di un celebre caso-studio, molto noto in bibliografia. Si vuoledeterminare se la probabilita di essere condannato a morte dipenda (o meno)dalla razza dell’accusato e/o da quella della vittima
Tabella: Verdetti di Pena di Morte secondo la Razza dell’Imputato e della Vittima,nei Casi di Omicidi Plurimi in Florida
Pena di MorteRazza Razza %imputato vittima Sı No SıBianca Bianca 53 414 11.3
Nera 0 16 0.0Nera Bianca 11 37 22.9
Nera 4 139 2.8
La variabile risposta (Y ) e la condanna (Pena di Morte Sı-No), i predittorisono la Razza della Vittima e quella dell’Imputato
I predittori sono qualitativi categorici (Bianca-Nera)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 30 / 54
Regressione Logistica Regressione Logistica Multipla
Esempio 15.2 — Pena di Morte e Influenza della Razza di
Vittime e Imputati
Si tratta di un celebre caso-studio, molto noto in bibliografia. Si vuoledeterminare se la probabilita di essere condannato a morte dipenda (o meno)dalla razza dell’accusato e/o da quella della vittima
Tabella: Verdetti di Pena di Morte secondo la Razza dell’Imputato e della Vittima,nei Casi di Omicidi Plurimi in Florida
Pena di MorteRazza Razza %imputato vittima Sı No SıBianca Bianca 53 414 11.3
Nera 0 16 0.0Nera Bianca 11 37 22.9
Nera 4 139 2.8
La variabile risposta (Y ) e la condanna (Pena di Morte Sı-No), i predittorisono la Razza della Vittima e quella dell’Imputato
I predittori sono qualitativi categorici (Bianca-Nera)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 30 / 54
Regressione Logistica Regressione Logistica Multipla
Nell’ultima colonna e riportata la percentuale di imputati per ognicombinazione, che e stata condannata a morte
Abbiamo i seguenti casi:
1 in caso di imputato bianco e vittima bianca, l’11.3% e stato condannato amorte;
2 in caso di imputato bianco e vittima nera, nessuno e stato condannato amorte;
3 in caso di imputato nero e vittima bianca, il 22.9% e stato condannato amorte;
4 in caso di imputato nero e vittima nera, il 2.8% e stato condannato a morte.
In caso di vittima e bianca
a la probabilita per un imputato bianco di essere condannato a morte e l’11.3%superiore rispetto al caso di una vittima nera
b la probabilita per un imputato nero di essere condannato a morte e il 20.1%superiore rispetto al caso di una vittima nera (22.9%− 2.8%)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 31 / 54
Regressione Logistica Regressione Logistica Multipla
Nell’ultima colonna e riportata la percentuale di imputati per ognicombinazione, che e stata condannata a morte
Abbiamo i seguenti casi:
1 in caso di imputato bianco e vittima bianca, l’11.3% e stato condannato amorte;
2 in caso di imputato bianco e vittima nera, nessuno e stato condannato amorte;
3 in caso di imputato nero e vittima bianca, il 22.9% e stato condannato amorte;
4 in caso di imputato nero e vittima nera, il 2.8% e stato condannato a morte.
In caso di vittima e bianca
a la probabilita per un imputato bianco di essere condannato a morte e l’11.3%superiore rispetto al caso di una vittima nera
b la probabilita per un imputato nero di essere condannato a morte e il 20.1%superiore rispetto al caso di una vittima nera (22.9%− 2.8%)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 31 / 54
Regressione Logistica Regressione Logistica Multipla
Nell’ultima colonna e riportata la percentuale di imputati per ognicombinazione, che e stata condannata a morte
Abbiamo i seguenti casi:
1 in caso di imputato bianco e vittima bianca, l’11.3% e stato condannato amorte;
2 in caso di imputato bianco e vittima nera, nessuno e stato condannato amorte;
3 in caso di imputato nero e vittima bianca, il 22.9% e stato condannato amorte;
4 in caso di imputato nero e vittima nera, il 2.8% e stato condannato a morte.
In caso di vittima e bianca
a la probabilita per un imputato bianco di essere condannato a morte e l’11.3%superiore rispetto al caso di una vittima nera
b la probabilita per un imputato nero di essere condannato a morte e il 20.1%superiore rispetto al caso di una vittima nera (22.9%− 2.8%)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 31 / 54
Regressione Logistica Regressione Logistica Multipla
In buona sostanza, controllando per la razza dell’imputato, risulta evidenteche la probabilita di essere condannato a morte e decisamente superiore se lavittima e bianca
L’analisi con il controllo secondo la razza della vittima, evidenzia chiaramentecome se la vittima e bianca, la probabilita di essere condannati a morte esuperiore
Tale probabilita e decisamente piu elevata per un imputato nero (22.9 %)rispetto ad uno bianco (11.3 %)
Quando la vittima e nera, le due probababilita sono quasi uguali (2,8% perun imputato nero, 0.0% per un imputato bianco), anche se il confrontomerita un approfondimento
Infatti, in termini relativi 2.8% rispetto a 0.0% puo essere ritenuto molto piuelevato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 32 / 54
Regressione Logistica Regressione Logistica Multipla
In buona sostanza, controllando per la razza dell’imputato, risulta evidenteche la probabilita di essere condannato a morte e decisamente superiore se lavittima e bianca
L’analisi con il controllo secondo la razza della vittima, evidenzia chiaramentecome se la vittima e bianca, la probabilita di essere condannati a morte esuperiore
Tale probabilita e decisamente piu elevata per un imputato nero (22.9 %)rispetto ad uno bianco (11.3 %)
Quando la vittima e nera, le due probababilita sono quasi uguali (2,8% perun imputato nero, 0.0% per un imputato bianco), anche se il confrontomerita un approfondimento
Infatti, in termini relativi 2.8% rispetto a 0.0% puo essere ritenuto molto piuelevato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 32 / 54
Regressione Logistica Regressione Logistica Multipla
In buona sostanza, controllando per la razza dell’imputato, risulta evidenteche la probabilita di essere condannato a morte e decisamente superiore se lavittima e bianca
L’analisi con il controllo secondo la razza della vittima, evidenzia chiaramentecome se la vittima e bianca, la probabilita di essere condannati a morte esuperiore
Tale probabilita e decisamente piu elevata per un imputato nero (22.9 %)rispetto ad uno bianco (11.3 %)
Quando la vittima e nera, le due probababilita sono quasi uguali (2,8% perun imputato nero, 0.0% per un imputato bianco), anche se il confrontomerita un approfondimento
Infatti, in termini relativi 2.8% rispetto a 0.0% puo essere ritenuto molto piuelevato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 32 / 54
Regressione Logistica Regressione Logistica Multipla
In buona sostanza, controllando per la razza dell’imputato, risulta evidenteche la probabilita di essere condannato a morte e decisamente superiore se lavittima e bianca
L’analisi con il controllo secondo la razza della vittima, evidenzia chiaramentecome se la vittima e bianca, la probabilita di essere condannati a morte esuperiore
Tale probabilita e decisamente piu elevata per un imputato nero (22.9 %)rispetto ad uno bianco (11.3 %)
Quando la vittima e nera, le due probababilita sono quasi uguali (2,8% perun imputato nero, 0.0% per un imputato bianco), anche se il confrontomerita un approfondimento
Infatti, in termini relativi 2.8% rispetto a 0.0% puo essere ritenuto molto piuelevato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 32 / 54
Regressione Logistica Regressione Logistica Multipla
In buona sostanza, controllando per la razza dell’imputato, risulta evidenteche la probabilita di essere condannato a morte e decisamente superiore se lavittima e bianca
L’analisi con il controllo secondo la razza della vittima, evidenzia chiaramentecome se la vittima e bianca, la probabilita di essere condannati a morte esuperiore
Tale probabilita e decisamente piu elevata per un imputato nero (22.9 %)rispetto ad uno bianco (11.3 %)
Quando la vittima e nera, le due probababilita sono quasi uguali (2,8% perun imputato nero, 0.0% per un imputato bianco), anche se il confrontomerita un approfondimento
Infatti, in termini relativi 2.8% rispetto a 0.0% puo essere ritenuto molto piuelevato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 32 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Costruiamo il modello. Ovviamente Y = Condanna a Morte. Se Y = 1 larisposta e Sı
I due predittori sono dicotomici, per cui sono sufficienti 2 variabili dummy, dper la razza dell’imputato e v per la razza della vittima
d = 1, defendant = white; d = 0, defendant = black,
v = 1, victims = white; v = 0, victims = black.
Il modello di regressione logistica multivariato sara
logit[P(y = 1)] = α+ β1d + β2v ,
dove β1 indica l’effetto della razza dell’imputato, controllando per quella dellavittima e β2 indica l’effetto della razza della vittima, controllando per quelladell’imputato
La quantita eβ1 e l’OR tra Y e la razza dell’imputato, controllando per quelladella vittima
La quantita eβ2 e l’OR tra Y e la razza della vittima, controllando per quelladell’imputato
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 33 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello applicato ai dati e
logit[P(y = 1)] = −3.596− 0.868d + 2.404v .
La stima di β1 = −0.868 indica come essendo bianco (d = 1), si ha unaprobabilita di essere condannato a morte inferiore rispetto ad un nero (d = 0)
La stima di β2 = 2.404 indica come in caso di vittima bianca (v = 1), si hauna probabilita di essere condannato a morte superiore rispetto al caso di unavittima nera (v = 0)
Vedremo tra poco di quantificare l’intensita di questi effetti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 34 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello applicato ai dati e
logit[P(y = 1)] = −3.596− 0.868d + 2.404v .
La stima di β1 = −0.868 indica come essendo bianco (d = 1), si ha unaprobabilita di essere condannato a morte inferiore rispetto ad un nero (d = 0)
La stima di β2 = 2.404 indica come in caso di vittima bianca (v = 1), si hauna probabilita di essere condannato a morte superiore rispetto al caso di unavittima nera (v = 0)
Vedremo tra poco di quantificare l’intensita di questi effetti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 34 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello applicato ai dati e
logit[P(y = 1)] = −3.596− 0.868d + 2.404v .
La stima di β1 = −0.868 indica come essendo bianco (d = 1), si ha unaprobabilita di essere condannato a morte inferiore rispetto ad un nero (d = 0)
La stima di β2 = 2.404 indica come in caso di vittima bianca (v = 1), si hauna probabilita di essere condannato a morte superiore rispetto al caso di unavittima nera (v = 0)
Vedremo tra poco di quantificare l’intensita di questi effetti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 34 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello applicato ai dati e
logit[P(y = 1)] = −3.596− 0.868d + 2.404v .
La stima di β1 = −0.868 indica come essendo bianco (d = 1), si ha unaprobabilita di essere condannato a morte inferiore rispetto ad un nero (d = 0)
La stima di β2 = 2.404 indica come in caso di vittima bianca (v = 1), si hauna probabilita di essere condannato a morte superiore rispetto al caso di unavittima nera (v = 0)
Vedremo tra poco di quantificare l’intensita di questi effetti
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 34 / 54
Regressione Logistica Regressione Logistica Multipla
Il software produce il seguente prospetto
Tabella: Stime dei Parametri del Modello Logistico sui Dati della Pena di Morte
B Std Error Exp(β)
Intercetta -3.596 .5069 .027imputato=bianco -.868 .3671 .420imputato=nero 0 .vittima=bianca 2.404 .6006 11.072vittima=nera 0 .
La stima della probabilita di essere condannati a morte e
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1) si ha
P(y = 1) =e−3.596−0.868(0)+2.404(1)
1 + e−3.596−0.868(0)+2.404(1)=
e−1.192
1 + e−1.192=
0.304
1.304= 0.233.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 35 / 54
Regressione Logistica Regressione Logistica Multipla
Il software produce il seguente prospetto
Tabella: Stime dei Parametri del Modello Logistico sui Dati della Pena di Morte
B Std Error Exp(β)
Intercetta -3.596 .5069 .027imputato=bianco -.868 .3671 .420imputato=nero 0 .vittima=bianca 2.404 .6006 11.072vittima=nera 0 .
La stima della probabilita di essere condannati a morte e
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1) si ha
P(y = 1) =e−3.596−0.868(0)+2.404(1)
1 + e−3.596−0.868(0)+2.404(1)=
e−1.192
1 + e−1.192=
0.304
1.304= 0.233.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 35 / 54
Regressione Logistica Regressione Logistica Multipla
Il software produce il seguente prospetto
Tabella: Stime dei Parametri del Modello Logistico sui Dati della Pena di Morte
B Std Error Exp(β)
Intercetta -3.596 .5069 .027imputato=bianco -.868 .3671 .420imputato=nero 0 .vittima=bianca 2.404 .6006 11.072vittima=nera 0 .
La stima della probabilita di essere condannati a morte e
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1) si ha
P(y = 1) =e−3.596−0.868(0)+2.404(1)
1 + e−3.596−0.868(0)+2.404(1)=
e−1.192
1 + e−1.192=
0.304
1.304= 0.233.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 35 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
In pratica, se un imputato nero e riconosciuto colpevole di aver ucciso unbianco, ha il 23.3% di possibilita di essere condannato a morte
Questa stima e molto simile al valore osservato nel campione, pari a 22.9%
Proviamo a calcolare l’OR tra Y e razza dell’imputato. Si ottiene
e β1 = e−0.868 = 0.42 OR = 0.42
Un imputato bianco ha un odds pari a 0.42 volte quello di un imputato nerodi essere condannato a morte
Curiosita: se nel costruire la dummy per la razza dell’imputato invertissimo lecategorie (d = 1 per la razza nera) otterremmo
e β1 = e0.868 = 2.38 OR = 2.38
Lavorando direttamente sull’OR, basta fare il reciproco del primo per ottenereil secondo 1/0.42 = 2.38
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 36 / 54
Regressione Logistica Regressione Logistica Multipla
Studiando la relazione tra Y e razza della vittima, la stima ottenuta mostraun fortissimo effetto del predittore su Y
Infatti, e2.404 = 11.1, quindi OR=11.1
Cio sisgnifica che l’odds di essere condannato a morte in caso di vittimabianca e 11.1 volte quello nel caso di vittima nera
In termini piu semplicistici, potremmo sintetizzare i due OR ottenuti inquesto modo:
1 Si registra una propensione (tendenza) a condannare a morte inferiore allameta se l’imputato e bianco rispetto ad uno nero;
2 Si registra una propensione (tendenza) a condannare a morte pari a circa 11volte se la vittima e bianca rispetto ad una nera.
In buona sostanza esiste una discriminizione razziale nelle condanne a morte,piu forte in relazione alla razza della vittima rispetto a quella dell’imputato,pur sempre presente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 37 / 54
Regressione Logistica Regressione Logistica Multipla
Studiando la relazione tra Y e razza della vittima, la stima ottenuta mostraun fortissimo effetto del predittore su Y
Infatti, e2.404 = 11.1, quindi OR=11.1
Cio sisgnifica che l’odds di essere condannato a morte in caso di vittimabianca e 11.1 volte quello nel caso di vittima nera
In termini piu semplicistici, potremmo sintetizzare i due OR ottenuti inquesto modo:
1 Si registra una propensione (tendenza) a condannare a morte inferiore allameta se l’imputato e bianco rispetto ad uno nero;
2 Si registra una propensione (tendenza) a condannare a morte pari a circa 11volte se la vittima e bianca rispetto ad una nera.
In buona sostanza esiste una discriminizione razziale nelle condanne a morte,piu forte in relazione alla razza della vittima rispetto a quella dell’imputato,pur sempre presente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 37 / 54
Regressione Logistica Regressione Logistica Multipla
Studiando la relazione tra Y e razza della vittima, la stima ottenuta mostraun fortissimo effetto del predittore su Y
Infatti, e2.404 = 11.1, quindi OR=11.1
Cio sisgnifica che l’odds di essere condannato a morte in caso di vittimabianca e 11.1 volte quello nel caso di vittima nera
In termini piu semplicistici, potremmo sintetizzare i due OR ottenuti inquesto modo:
1 Si registra una propensione (tendenza) a condannare a morte inferiore allameta se l’imputato e bianco rispetto ad uno nero;
2 Si registra una propensione (tendenza) a condannare a morte pari a circa 11volte se la vittima e bianca rispetto ad una nera.
In buona sostanza esiste una discriminizione razziale nelle condanne a morte,piu forte in relazione alla razza della vittima rispetto a quella dell’imputato,pur sempre presente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 37 / 54
Regressione Logistica Regressione Logistica Multipla
Studiando la relazione tra Y e razza della vittima, la stima ottenuta mostraun fortissimo effetto del predittore su Y
Infatti, e2.404 = 11.1, quindi OR=11.1
Cio sisgnifica che l’odds di essere condannato a morte in caso di vittimabianca e 11.1 volte quello nel caso di vittima nera
In termini piu semplicistici, potremmo sintetizzare i due OR ottenuti inquesto modo:
1 Si registra una propensione (tendenza) a condannare a morte inferiore allameta se l’imputato e bianco rispetto ad uno nero;
2 Si registra una propensione (tendenza) a condannare a morte pari a circa 11volte se la vittima e bianca rispetto ad una nera.
In buona sostanza esiste una discriminizione razziale nelle condanne a morte,piu forte in relazione alla razza della vittima rispetto a quella dell’imputato,pur sempre presente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 37 / 54
Regressione Logistica Regressione Logistica Multipla
Studiando la relazione tra Y e razza della vittima, la stima ottenuta mostraun fortissimo effetto del predittore su Y
Infatti, e2.404 = 11.1, quindi OR=11.1
Cio sisgnifica che l’odds di essere condannato a morte in caso di vittimabianca e 11.1 volte quello nel caso di vittima nera
In termini piu semplicistici, potremmo sintetizzare i due OR ottenuti inquesto modo:
1 Si registra una propensione (tendenza) a condannare a morte inferiore allameta se l’imputato e bianco rispetto ad uno nero;
2 Si registra una propensione (tendenza) a condannare a morte pari a circa 11volte se la vittima e bianca rispetto ad una nera.
In buona sostanza esiste una discriminizione razziale nelle condanne a morte,piu forte in relazione alla razza della vittima rispetto a quella dell’imputato,pur sempre presente
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 37 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sugli Odds
Possiamo rivedere alcuni aspetti dell’interpretazione dei parametri βi e dicosa comportano sugli odds
Riprendiamo il modello sulla pena di morte e la razza di imputato e vittima
log[P(y = 1)/(1− P(y = 1))] = −3.596− 0.868d + 2.404v
Calcolando l’antilogaritmo di ambo i membri otteniamo
odds = e−3.596−0.868d+2.404v = e−3.596e−0.868de2.404v .
Rapportando gli odds per imputato bianco (d = 1) e nero (d = 0) otteniamo
e−3.596e−0.868e2.404v
e−3.596e2.404v= e−0.868 = 0.42
che e proprio l’OR
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 38 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sugli Odds
Possiamo rivedere alcuni aspetti dell’interpretazione dei parametri βi e dicosa comportano sugli odds
Riprendiamo il modello sulla pena di morte e la razza di imputato e vittima
log[P(y = 1)/(1− P(y = 1))] = −3.596− 0.868d + 2.404v
Calcolando l’antilogaritmo di ambo i membri otteniamo
odds = e−3.596−0.868d+2.404v = e−3.596e−0.868de2.404v .
Rapportando gli odds per imputato bianco (d = 1) e nero (d = 0) otteniamo
e−3.596e−0.868e2.404v
e−3.596e2.404v= e−0.868 = 0.42
che e proprio l’OR
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 38 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sugli Odds
Possiamo rivedere alcuni aspetti dell’interpretazione dei parametri βi e dicosa comportano sugli odds
Riprendiamo il modello sulla pena di morte e la razza di imputato e vittima
log[P(y = 1)/(1− P(y = 1))] = −3.596− 0.868d + 2.404v
Calcolando l’antilogaritmo di ambo i membri otteniamo
odds = e−3.596−0.868d+2.404v = e−3.596e−0.868de2.404v .
Rapportando gli odds per imputato bianco (d = 1) e nero (d = 0) otteniamo
e−3.596e−0.868e2.404v
e−3.596e2.404v= e−0.868 = 0.42
che e proprio l’OR
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 38 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sugli Odds
Possiamo rivedere alcuni aspetti dell’interpretazione dei parametri βi e dicosa comportano sugli odds
Riprendiamo il modello sulla pena di morte e la razza di imputato e vittima
log[P(y = 1)/(1− P(y = 1))] = −3.596− 0.868d + 2.404v
Calcolando l’antilogaritmo di ambo i membri otteniamo
odds = e−3.596−0.868d+2.404v = e−3.596e−0.868de2.404v .
Rapportando gli odds per imputato bianco (d = 1) e nero (d = 0) otteniamo
e−3.596e−0.868e2.404v
e−3.596e2.404v= e−0.868 = 0.42
che e proprio l’OR
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 38 / 54
Regressione Logistica Regressione Logistica Multipla
Allo stesso modo possiamo calcolare gli odds per qualsiasi combinazione deipredittori
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1), la stimadell’odds sara
odds = e−3.596−0.868d+2.404v = e−3.596−0.868(0)+2.404(1) = e−1.192 = 0.304.
Questo risultato indica che in caso di imputato nero e vittima bianca ilrapporto tra probabilita di condanna e non condanna e 0.304
Per calcolare la P(Y = 1), avremo
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v=
0.304
1 + 0.304= 0.233
che e proprio la stima della Probabilita di Successo vista in precedenza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 39 / 54
Regressione Logistica Regressione Logistica Multipla
Allo stesso modo possiamo calcolare gli odds per qualsiasi combinazione deipredittori
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1), la stimadell’odds sara
odds = e−3.596−0.868d+2.404v = e−3.596−0.868(0)+2.404(1) = e−1.192 = 0.304.
Questo risultato indica che in caso di imputato nero e vittima bianca ilrapporto tra probabilita di condanna e non condanna e 0.304
Per calcolare la P(Y = 1), avremo
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v=
0.304
1 + 0.304= 0.233
che e proprio la stima della Probabilita di Successo vista in precedenza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 39 / 54
Regressione Logistica Regressione Logistica Multipla
Allo stesso modo possiamo calcolare gli odds per qualsiasi combinazione deipredittori
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1), la stimadell’odds sara
odds = e−3.596−0.868d+2.404v = e−3.596−0.868(0)+2.404(1) = e−1.192 = 0.304.
Questo risultato indica che in caso di imputato nero e vittima bianca ilrapporto tra probabilita di condanna e non condanna e 0.304
Per calcolare la P(Y = 1), avremo
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v=
0.304
1 + 0.304= 0.233
che e proprio la stima della Probabilita di Successo vista in precedenza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 39 / 54
Regressione Logistica Regressione Logistica Multipla
Allo stesso modo possiamo calcolare gli odds per qualsiasi combinazione deipredittori
Nel caso di imputato nero (d = 0) e vittima bianca (v = 1), la stimadell’odds sara
odds = e−3.596−0.868d+2.404v = e−3.596−0.868(0)+2.404(1) = e−1.192 = 0.304.
Questo risultato indica che in caso di imputato nero e vittima bianca ilrapporto tra probabilita di condanna e non condanna e 0.304
Per calcolare la P(Y = 1), avremo
P(y = 1) =e−3.596−0.868d+2.404v
1 + e−3.596−0.868d+2.404v=
0.304
1 + 0.304= 0.233
che e proprio la stima della Probabilita di Successo vista in precedenza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 39 / 54
Regressione Logistica Regressione Logistica Multipla
Esempio 15.3 — Fattori Influenti l’Acquisto della Prima
Casa
In tabella e riportato il modello logistico sulle relazioni tra il Possesso dellaCasa (Sı-No) e una serie di predittori che afferiscono alle caratteristiche ed aicomportamenti familiari quali:
1 reddito percepito dal marito (incremento di $10,000 dollari)
2 reddito percepito dalla moglie (incremento di $10,000 dollari)
3 numero di anni dal matrimonio
4 status coniugale a 2 anni dal matrimonio (1=Sı)
5 moglie occupata nei primi 2 anni dal matrimonio (1=Sı)
6 numero di figli in eta 0− 17 anni
7 ulteriori figli in eta 0− 17 anni a 2 anni dall’osservazione (1=Sı)
8 anni di istruzione del capo famiglia
9 Genitori proprietari di casa nell’ultimo anno di permanenza del figlio (1=Sı)
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 40 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello stimato e
Tabella: Risultati della Regressione Logistica sulla Probabilita del Possesso della Casa
Variable Estimate Std. Error Est./S.E.Intercept −2.870 —Husband earnings ($10,000) 0.569 0.088 6.466Wife earnings ($10,000) 0.306 0.140 2.186No. years married −0.039 0.042 −0.929Married in 2 years (1 = yes) 0.224 0.304 0.737Working wife in 2 years (1 = yes) 0.373 0.283 1.318No. children 0.220 0.101 2.178Add child in 2 years (1 = yes) 0.271 0.140 1.936Head’s education (no. years) −0.027 0.032 −0.844Parents’ home ownership (1 = yes) 0.387 0.176 2.199
Inizialmente osserviamo l’ultima colonna, soffermandoci sui valori esternil’intervallo [-2,2], poi l’entita delle stime
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 41 / 54
Regressione Logistica Regressione Logistica Multipla
Il modello stimato e
Tabella: Risultati della Regressione Logistica sulla Probabilita del Possesso della Casa
Variable Estimate Std. Error Est./S.E.Intercept −2.870 —Husband earnings ($10,000) 0.569 0.088 6.466Wife earnings ($10,000) 0.306 0.140 2.186No. years married −0.039 0.042 −0.929Married in 2 years (1 = yes) 0.224 0.304 0.737Working wife in 2 years (1 = yes) 0.373 0.283 1.318No. children 0.220 0.101 2.178Add child in 2 years (1 = yes) 0.271 0.140 1.936Head’s education (no. years) −0.027 0.032 −0.844Parents’ home ownership (1 = yes) 0.387 0.176 2.199
Inizialmente osserviamo l’ultima colonna, soffermandoci sui valori esternil’intervallo [-2,2], poi l’entita delle stime
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 41 / 54
Regressione Logistica Regressione Logistica Multipla
Prendiamo alcune stime:
1 L’effetto di ogni figlio in piu e positivo e0.220 = 1.25. In protica la stimadell’odds cresce del 25%
2 Un incremento di $10,000 dollari all’anno ha un effetto moltiplicativosull’odds pari a e0.569 = 1.77 per il marito e e0.306 = 1.36 per la moglie
3 Avere genitori con la casa di proprieta ha un effetto moltiplicativo sull’oddspari a e0.387 = 1.47
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 42 / 54
Regressione Logistica Regressione Logistica Multipla
Prendiamo alcune stime:
1 L’effetto di ogni figlio in piu e positivo e0.220 = 1.25. In protica la stimadell’odds cresce del 25%
2 Un incremento di $10,000 dollari all’anno ha un effetto moltiplicativosull’odds pari a e0.569 = 1.77 per il marito e e0.306 = 1.36 per la moglie
3 Avere genitori con la casa di proprieta ha un effetto moltiplicativo sull’oddspari a e0.387 = 1.47
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 42 / 54
Regressione Logistica Regressione Logistica Multipla
Prendiamo alcune stime:
1 L’effetto di ogni figlio in piu e positivo e0.220 = 1.25. In protica la stimadell’odds cresce del 25%
2 Un incremento di $10,000 dollari all’anno ha un effetto moltiplicativosull’odds pari a e0.569 = 1.77 per il marito e e0.306 = 1.36 per la moglie
3 Avere genitori con la casa di proprieta ha un effetto moltiplicativo sull’oddspari a e0.387 = 1.47
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 42 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sulle Probabilita
Abbiamo gia visto che possiamo sintetizzare la misura dell’effetto di unpredittore utilizzando l’OR
Tuttavia la sua interpretazione non e agevole, pertanto si preferisce misurarela dimensione dell’effetto su una scala di probabilita
Si possono scegliere vari approcci:
1 si riporta il valore di P(y = 1) per particolari valori del predittore di interesse.In questo caso gli altri predittori sono fissi, nel senso che assumono un valorecaratteristico (media o altro definito preliminarmente)
2 si riporta di quanto si modifica la P(y = 1) quando il predittore cresce di uncerto valore. Le scelte possono essere:
a il predittore cresce di un’unita
b il predittore cresce di un valore pari alla deviazione standard
c il predittore cresce dell’intero range di valori assunti da X
d il predittore cresce di un valore pari allo scarto interquartile
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 43 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sulle Probabilita
Abbiamo gia visto che possiamo sintetizzare la misura dell’effetto di unpredittore utilizzando l’OR
Tuttavia la sua interpretazione non e agevole, pertanto si preferisce misurarela dimensione dell’effetto su una scala di probabilita
Si possono scegliere vari approcci:
1 si riporta il valore di P(y = 1) per particolari valori del predittore di interesse.In questo caso gli altri predittori sono fissi, nel senso che assumono un valorecaratteristico (media o altro definito preliminarmente)
2 si riporta di quanto si modifica la P(y = 1) quando il predittore cresce di uncerto valore. Le scelte possono essere:
a il predittore cresce di un’unita
b il predittore cresce di un valore pari alla deviazione standard
c il predittore cresce dell’intero range di valori assunti da X
d il predittore cresce di un valore pari allo scarto interquartile
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 43 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sulle Probabilita
Abbiamo gia visto che possiamo sintetizzare la misura dell’effetto di unpredittore utilizzando l’OR
Tuttavia la sua interpretazione non e agevole, pertanto si preferisce misurarela dimensione dell’effetto su una scala di probabilita
Si possono scegliere vari approcci:
1 si riporta il valore di P(y = 1) per particolari valori del predittore di interesse.In questo caso gli altri predittori sono fissi, nel senso che assumono un valorecaratteristico (media o altro definito preliminarmente)
2 si riporta di quanto si modifica la P(y = 1) quando il predittore cresce di uncerto valore. Le scelte possono essere:
a il predittore cresce di un’unita
b il predittore cresce di un valore pari alla deviazione standard
c il predittore cresce dell’intero range di valori assunti da X
d il predittore cresce di un valore pari allo scarto interquartile
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 43 / 54
Regressione Logistica Regressione Logistica Multipla
Effetti sulle Probabilita
Abbiamo gia visto che possiamo sintetizzare la misura dell’effetto di unpredittore utilizzando l’OR
Tuttavia la sua interpretazione non e agevole, pertanto si preferisce misurarela dimensione dell’effetto su una scala di probabilita
Si possono scegliere vari approcci:
1 si riporta il valore di P(y = 1) per particolari valori del predittore di interesse.In questo caso gli altri predittori sono fissi, nel senso che assumono un valorecaratteristico (media o altro definito preliminarmente)
2 si riporta di quanto si modifica la P(y = 1) quando il predittore cresce di uncerto valore. Le scelte possono essere:
a il predittore cresce di un’unita
b il predittore cresce di un valore pari alla deviazione standard
c il predittore cresce dell’intero range di valori assunti da X
d il predittore cresce di un valore pari allo scarto interquartile
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 43 / 54
Regressione Logistica Regressione Logistica Multipla
Nel caso dell’esempio sul Possesso della Casa si vuole studiare l’effetto delReddito del Marito
Gli altri predittori assumono i seguenti valori:
1 reddito percepito dalla moglie = $50,000 dollari
2 anni dal matrimonio = 3
3 moglie occupata nei primi 2 anni dal matrimonio = 1 (Sı)
4 numero di figli = 0
5 ulteriori figli = 0 (no)
6 anni di istruzione del capo famiglia = 16
7 Genitori proprietari di casa nell’ultimo anno di permanenza del figlio = 0 (No)
Nel caso di reddito del marito pari a $20.000 dollari, avremo
P(y = 1) =e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)
1 + e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)= 0.41.
Per un reddito di $30,000, P(y = 1)=0.55. Per un reddito di $50,000,P(y = 1)=0.79. Per un reddito di $100,000, P(y = 1)=0.98.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 44 / 54
Regressione Logistica Regressione Logistica Multipla
Nel caso dell’esempio sul Possesso della Casa si vuole studiare l’effetto delReddito del Marito
Gli altri predittori assumono i seguenti valori:
1 reddito percepito dalla moglie = $50,000 dollari
2 anni dal matrimonio = 3
3 moglie occupata nei primi 2 anni dal matrimonio = 1 (Sı)
4 numero di figli = 0
5 ulteriori figli = 0 (no)
6 anni di istruzione del capo famiglia = 16
7 Genitori proprietari di casa nell’ultimo anno di permanenza del figlio = 0 (No)
Nel caso di reddito del marito pari a $20.000 dollari, avremo
P(y = 1) =e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)
1 + e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)= 0.41.
Per un reddito di $30,000, P(y = 1)=0.55. Per un reddito di $50,000,P(y = 1)=0.79. Per un reddito di $100,000, P(y = 1)=0.98.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 44 / 54
Regressione Logistica Regressione Logistica Multipla
Nel caso dell’esempio sul Possesso della Casa si vuole studiare l’effetto delReddito del Marito
Gli altri predittori assumono i seguenti valori:
1 reddito percepito dalla moglie = $50,000 dollari
2 anni dal matrimonio = 3
3 moglie occupata nei primi 2 anni dal matrimonio = 1 (Sı)
4 numero di figli = 0
5 ulteriori figli = 0 (no)
6 anni di istruzione del capo famiglia = 16
7 Genitori proprietari di casa nell’ultimo anno di permanenza del figlio = 0 (No)
Nel caso di reddito del marito pari a $20.000 dollari, avremo
P(y = 1) =e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)
1 + e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)= 0.41.
Per un reddito di $30,000, P(y = 1)=0.55. Per un reddito di $50,000,P(y = 1)=0.79. Per un reddito di $100,000, P(y = 1)=0.98.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 44 / 54
Regressione Logistica Regressione Logistica Multipla
Nel caso dell’esempio sul Possesso della Casa si vuole studiare l’effetto delReddito del Marito
Gli altri predittori assumono i seguenti valori:
1 reddito percepito dalla moglie = $50,000 dollari
2 anni dal matrimonio = 3
3 moglie occupata nei primi 2 anni dal matrimonio = 1 (Sı)
4 numero di figli = 0
5 ulteriori figli = 0 (no)
6 anni di istruzione del capo famiglia = 16
7 Genitori proprietari di casa nell’ultimo anno di permanenza del figlio = 0 (No)
Nel caso di reddito del marito pari a $20.000 dollari, avremo
P(y = 1) =e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)
1 + e−2.870+0.569(2)+0.306(5)−0.039(3)+0.373(1)−0.027(16)= 0.41.
Per un reddito di $30,000, P(y = 1)=0.55. Per un reddito di $50,000,P(y = 1)=0.79. Per un reddito di $100,000, P(y = 1)=0.98.
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 44 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per il Modello di Regressione Logistica
Le assunzioni sono:
1 I dati sono estratti casualmente
2 La variabile risposta ha una distribuzione binomiale
Presenteremo due Test per l’Indipendenza: il Test di Wald e il Test delRapporto delle Massime Verosimiglianze
Si tratta di due tecniche che hanno lo stesso obiettivo
Tuttavia il Test di Wald puo essere applicato solo su campionisufficientemente numerosi
Il Test del rapporto delle Massime Verosimigliaze va bene anche in presenzadi campioni poco numerosi
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 45 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per il Modello di Regressione Logistica
Le assunzioni sono:
1 I dati sono estratti casualmente
2 La variabile risposta ha una distribuzione binomiale
Presenteremo due Test per l’Indipendenza: il Test di Wald e il Test delRapporto delle Massime Verosimiglianze
Si tratta di due tecniche che hanno lo stesso obiettivo
Tuttavia il Test di Wald puo essere applicato solo su campionisufficientemente numerosi
Il Test del rapporto delle Massime Verosimigliaze va bene anche in presenzadi campioni poco numerosi
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 45 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per il Modello di Regressione Logistica
Le assunzioni sono:
1 I dati sono estratti casualmente
2 La variabile risposta ha una distribuzione binomiale
Presenteremo due Test per l’Indipendenza: il Test di Wald e il Test delRapporto delle Massime Verosimiglianze
Si tratta di due tecniche che hanno lo stesso obiettivo
Tuttavia il Test di Wald puo essere applicato solo su campionisufficientemente numerosi
Il Test del rapporto delle Massime Verosimigliaze va bene anche in presenzadi campioni poco numerosi
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 45 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per il Modello di Regressione Logistica
Le assunzioni sono:
1 I dati sono estratti casualmente
2 La variabile risposta ha una distribuzione binomiale
Presenteremo due Test per l’Indipendenza: il Test di Wald e il Test delRapporto delle Massime Verosimiglianze
Si tratta di due tecniche che hanno lo stesso obiettivo
Tuttavia il Test di Wald puo essere applicato solo su campionisufficientemente numerosi
Il Test del rapporto delle Massime Verosimigliaze va bene anche in presenzadi campioni poco numerosi
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 45 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per il Modello di Regressione Logistica
Le assunzioni sono:
1 I dati sono estratti casualmente
2 La variabile risposta ha una distribuzione binomiale
Presenteremo due Test per l’Indipendenza: il Test di Wald e il Test delRapporto delle Massime Verosimiglianze
Si tratta di due tecniche che hanno lo stesso obiettivo
Tuttavia il Test di Wald puo essere applicato solo su campionisufficientemente numerosi
Il Test del rapporto delle Massime Verosimigliaze va bene anche in presenzadi campioni poco numerosi
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 45 / 54
Inferenza per il Modello di Regressione Logistica
Test di Wald
Si consideri il modello
logit[P(y = 1)] = α+ βx ,
L’ipotesi di indipendenza H0: β = 0 rappresenta l’assenza di effetto di X sullogit
Nel caso di campioni sufficientemente numerosi, una buona statistica test edata dal rapporto tra β e il suo errore standard
Si tratta di una statistica che si distribuisce come una Z
In molti casi si riporta il quadrato di questa statistica, che si distribuiscecome un Chi2 con un gdl . Il P − valore corrispondente e uguale a quello diun test Z per un’alternativa bilaterale Ha: β 6= 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 46 / 54
Inferenza per il Modello di Regressione Logistica
Test di Wald
Si consideri il modello
logit[P(y = 1)] = α+ βx ,
L’ipotesi di indipendenza H0: β = 0 rappresenta l’assenza di effetto di X sullogit
Nel caso di campioni sufficientemente numerosi, una buona statistica test edata dal rapporto tra β e il suo errore standard
Si tratta di una statistica che si distribuisce come una Z
In molti casi si riporta il quadrato di questa statistica, che si distribuiscecome un Chi2 con un gdl . Il P − valore corrispondente e uguale a quello diun test Z per un’alternativa bilaterale Ha: β 6= 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 46 / 54
Inferenza per il Modello di Regressione Logistica
Test di Wald
Si consideri il modello
logit[P(y = 1)] = α+ βx ,
L’ipotesi di indipendenza H0: β = 0 rappresenta l’assenza di effetto di X sullogit
Nel caso di campioni sufficientemente numerosi, una buona statistica test edata dal rapporto tra β e il suo errore standard
Si tratta di una statistica che si distribuisce come una Z
In molti casi si riporta il quadrato di questa statistica, che si distribuiscecome un Chi2 con un gdl . Il P − valore corrispondente e uguale a quello diun test Z per un’alternativa bilaterale Ha: β 6= 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 46 / 54
Inferenza per il Modello di Regressione Logistica
Test di Wald
Si consideri il modello
logit[P(y = 1)] = α+ βx ,
L’ipotesi di indipendenza H0: β = 0 rappresenta l’assenza di effetto di X sullogit
Nel caso di campioni sufficientemente numerosi, una buona statistica test edata dal rapporto tra β e il suo errore standard
Si tratta di una statistica che si distribuisce come una Z
In molti casi si riporta il quadrato di questa statistica, che si distribuiscecome un Chi2 con un gdl . Il P − valore corrispondente e uguale a quello diun test Z per un’alternativa bilaterale Ha: β 6= 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 46 / 54
Inferenza per il Modello di Regressione Logistica
Test di Wald
Si consideri il modello
logit[P(y = 1)] = α+ βx ,
L’ipotesi di indipendenza H0: β = 0 rappresenta l’assenza di effetto di X sullogit
Nel caso di campioni sufficientemente numerosi, una buona statistica test edata dal rapporto tra β e il suo errore standard
Si tratta di una statistica che si distribuisce come una Z
In molti casi si riporta il quadrato di questa statistica, che si distribuiscecome un Chi2 con un gdl . Il P − valore corrispondente e uguale a quello diun test Z per un’alternativa bilaterale Ha: β 6= 0
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 46 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
In questo caso il test consente di confrontare due modelli che differiscono tradi loro per la presenza di uno o piu parametri in piu
L’ipotesi di base e che i parametri in piu presenti nel modello pieno sianouguali a zero
Nel caso del modello con un solo predittore si confrontano i modellilogit[P(y = 1)] = α+ βx e logit[P(y = 1)] = α
Il test si basa sul calcolo della funzione di verosimiglianza, indicata con ℓ
Essa fornisce la probabilita di osservare i dati del ns campione come funzionedei parametri utilizzati
Il massimo di questa funzione fornisce le stime di massima verosimiglianza
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 47 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
Si indichi con ℓ0 il massimo della funzione di verosimiglianza quando H0 evera e con ℓ1 il massimo della funzione di verosimiglianza quando H0 non evera
La statistica test del rapporto delle massime verosimiglianza sara
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1).
Si fa il log del rapporto poi moltiplicato per -2, in quanto la quantita che siottiene tende a distribuirsi come una v.c. Chi2 con gdl pari al numero deiparametri che differenziano i modelli
La discussione del test avviene sempre nel medesimo modo
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 48 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
Si indichi con ℓ0 il massimo della funzione di verosimiglianza quando H0 evera e con ℓ1 il massimo della funzione di verosimiglianza quando H0 non evera
La statistica test del rapporto delle massime verosimiglianza sara
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1).
Si fa il log del rapporto poi moltiplicato per -2, in quanto la quantita che siottiene tende a distribuirsi come una v.c. Chi2 con gdl pari al numero deiparametri che differenziano i modelli
La discussione del test avviene sempre nel medesimo modo
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 48 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
Si indichi con ℓ0 il massimo della funzione di verosimiglianza quando H0 evera e con ℓ1 il massimo della funzione di verosimiglianza quando H0 non evera
La statistica test del rapporto delle massime verosimiglianza sara
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1).
Si fa il log del rapporto poi moltiplicato per -2, in quanto la quantita che siottiene tende a distribuirsi come una v.c. Chi2 con gdl pari al numero deiparametri che differenziano i modelli
La discussione del test avviene sempre nel medesimo modo
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 48 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze
Si indichi con ℓ0 il massimo della funzione di verosimiglianza quando H0 evera e con ℓ1 il massimo della funzione di verosimiglianza quando H0 non evera
La statistica test del rapporto delle massime verosimiglianza sara
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1).
Si fa il log del rapporto poi moltiplicato per -2, in quanto la quantita che siottiene tende a distribuirsi come una v.c. Chi2 con gdl pari al numero deiparametri che differenziano i modelli
La discussione del test avviene sempre nel medesimo modo
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 48 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.4 — Inferenza sulla Relazione Reddito e
Possesso di una Carta di Credito
In questo caso l’ipotesi H0: β = 0 indica che il Reddito non influenza laprobabilita di possedere una CC. Il modello e
Tabella: Logistic Regression Inference for Italian Credit Card Data
B S.E. Wald df Sig. 95% CI per exp(B)reddito .1054 .0262 16.24 1 .000 1.056 1.170Costante -3.5179 .7103 24.53 1 .000
Il test Z sarebbe uguale a z = 0.1054/0.0262 = 4.02. Si vede chiaramenteche 4.022 = 16.24 e il valore del test di Wald
Si puo concludere che c’e una forte evidenza contro l’ipotesi H0: β = 0, diassenza di effetto del Reddito sulla Probabilita di Possedere una CC
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 49 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.4 — Inferenza sulla Relazione Reddito e
Possesso di una Carta di Credito
In questo caso l’ipotesi H0: β = 0 indica che il Reddito non influenza laprobabilita di possedere una CC. Il modello e
Tabella: Logistic Regression Inference for Italian Credit Card Data
B S.E. Wald df Sig. 95% CI per exp(B)reddito .1054 .0262 16.24 1 .000 1.056 1.170Costante -3.5179 .7103 24.53 1 .000
Il test Z sarebbe uguale a z = 0.1054/0.0262 = 4.02. Si vede chiaramenteche 4.022 = 16.24 e il valore del test di Wald
Si puo concludere che c’e una forte evidenza contro l’ipotesi H0: β = 0, diassenza di effetto del Reddito sulla Probabilita di Possedere una CC
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 49 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.4 — Inferenza sulla Relazione Reddito e
Possesso di una Carta di Credito
In questo caso l’ipotesi H0: β = 0 indica che il Reddito non influenza laprobabilita di possedere una CC. Il modello e
Tabella: Logistic Regression Inference for Italian Credit Card Data
B S.E. Wald df Sig. 95% CI per exp(B)reddito .1054 .0262 16.24 1 .000 1.056 1.170Costante -3.5179 .7103 24.53 1 .000
Il test Z sarebbe uguale a z = 0.1054/0.0262 = 4.02. Si vede chiaramenteche 4.022 = 16.24 e il valore del test di Wald
Si puo concludere che c’e una forte evidenza contro l’ipotesi H0: β = 0, diassenza di effetto del Reddito sulla Probabilita di Possedere una CC
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 49 / 54
Inferenza per il Modello di Regressione Logistica
Il test del Rapporto delle Massime Verosimiglianze per l’ipotesi H0: β = 0,confrontera il modello pieno con il parametro β e quello ridotto con solol’intercetta
Il software (SPSS) riporta un valore −2 log ℓ = 97.23 per il modello pieno eun valore pari a −2 log ℓ = 123.82 per quello ridotto
La quantita
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 123.82− 97.23 = 26.59.
mostra come l’effetto sia fortemente significativo
Infatti, la quantita Chi2 = 26.59 con gdl = 1, ha un P − valore < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 50 / 54
Inferenza per il Modello di Regressione Logistica
Il test del Rapporto delle Massime Verosimiglianze per l’ipotesi H0: β = 0,confrontera il modello pieno con il parametro β e quello ridotto con solol’intercetta
Il software (SPSS) riporta un valore −2 log ℓ = 97.23 per il modello pieno eun valore pari a −2 log ℓ = 123.82 per quello ridotto
La quantita
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 123.82− 97.23 = 26.59.
mostra come l’effetto sia fortemente significativo
Infatti, la quantita Chi2 = 26.59 con gdl = 1, ha un P − valore < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 50 / 54
Inferenza per il Modello di Regressione Logistica
Il test del Rapporto delle Massime Verosimiglianze per l’ipotesi H0: β = 0,confrontera il modello pieno con il parametro β e quello ridotto con solol’intercetta
Il software (SPSS) riporta un valore −2 log ℓ = 97.23 per il modello pieno eun valore pari a −2 log ℓ = 123.82 per quello ridotto
La quantita
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 123.82− 97.23 = 26.59.
mostra come l’effetto sia fortemente significativo
Infatti, la quantita Chi2 = 26.59 con gdl = 1, ha un P − valore < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 50 / 54
Inferenza per il Modello di Regressione Logistica
Il test del Rapporto delle Massime Verosimiglianze per l’ipotesi H0: β = 0,confrontera il modello pieno con il parametro β e quello ridotto con solol’intercetta
Il software (SPSS) riporta un valore −2 log ℓ = 97.23 per il modello pieno eun valore pari a −2 log ℓ = 123.82 per quello ridotto
La quantita
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 123.82− 97.23 = 26.59.
mostra come l’effetto sia fortemente significativo
Infatti, la quantita Chi2 = 26.59 con gdl = 1, ha un P − valore < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 50 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per la Regressione Logistica Multivariata
Nel caso di una Regressione Logistica Multivariata, l’inferenza viene condottaallo stesso modo
Naturalmente si tratta di saggiare l’effetto di un predittore, controllando pergli altri predittori
Nel caso di predittori categoriali, che prevedono l’utilizzo di variabili dummy,piu che il test di Wald, molto utile risulta il test del Rapporto delle MassimeVerosimiglianze
Infatti, in presenza di predittori categoriali politomici, e possibile saggiarel’effetto dell’intero predittore attraverso la rimozione dal modello deiparametri delle dummy che lo caratterizzano
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 51 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per la Regressione Logistica Multivariata
Nel caso di una Regressione Logistica Multivariata, l’inferenza viene condottaallo stesso modo
Naturalmente si tratta di saggiare l’effetto di un predittore, controllando pergli altri predittori
Nel caso di predittori categoriali, che prevedono l’utilizzo di variabili dummy,piu che il test di Wald, molto utile risulta il test del Rapporto delle MassimeVerosimiglianze
Infatti, in presenza di predittori categoriali politomici, e possibile saggiarel’effetto dell’intero predittore attraverso la rimozione dal modello deiparametri delle dummy che lo caratterizzano
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 51 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per la Regressione Logistica Multivariata
Nel caso di una Regressione Logistica Multivariata, l’inferenza viene condottaallo stesso modo
Naturalmente si tratta di saggiare l’effetto di un predittore, controllando pergli altri predittori
Nel caso di predittori categoriali, che prevedono l’utilizzo di variabili dummy,piu che il test di Wald, molto utile risulta il test del Rapporto delle MassimeVerosimiglianze
Infatti, in presenza di predittori categoriali politomici, e possibile saggiarel’effetto dell’intero predittore attraverso la rimozione dal modello deiparametri delle dummy che lo caratterizzano
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 51 / 54
Inferenza per il Modello di Regressione Logistica
Inferenza per la Regressione Logistica Multivariata
Nel caso di una Regressione Logistica Multivariata, l’inferenza viene condottaallo stesso modo
Naturalmente si tratta di saggiare l’effetto di un predittore, controllando pergli altri predittori
Nel caso di predittori categoriali, che prevedono l’utilizzo di variabili dummy,piu che il test di Wald, molto utile risulta il test del Rapporto delle MassimeVerosimiglianze
Infatti, in presenza di predittori categoriali politomici, e possibile saggiarel’effetto dell’intero predittore attraverso la rimozione dal modello deiparametri delle dummy che lo caratterizzano
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 51 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Riprendiamo il modello precedente
logit[P(y = 1)] = α+ β1d + β2v ,
Le variabili dummy d e v indicano, rispettivamente, la razza dell’imputato equella della vittima (Bianca vs Nera in entramnbi i casi)
Se β1 = 0 il verdetto di pena di morte e indipendente dalla razzadell’imputato, controllando per quella della vittima
Ne consegue che, a livello di popolazione, l’odds ratio corrispondente sarae0 = 1, per ciascuna razza della vittima
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 52 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Riprendiamo il modello precedente
logit[P(y = 1)] = α+ β1d + β2v ,
Le variabili dummy d e v indicano, rispettivamente, la razza dell’imputato equella della vittima (Bianca vs Nera in entramnbi i casi)
Se β1 = 0 il verdetto di pena di morte e indipendente dalla razzadell’imputato, controllando per quella della vittima
Ne consegue che, a livello di popolazione, l’odds ratio corrispondente sarae0 = 1, per ciascuna razza della vittima
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 52 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Riprendiamo il modello precedente
logit[P(y = 1)] = α+ β1d + β2v ,
Le variabili dummy d e v indicano, rispettivamente, la razza dell’imputato equella della vittima (Bianca vs Nera in entramnbi i casi)
Se β1 = 0 il verdetto di pena di morte e indipendente dalla razzadell’imputato, controllando per quella della vittima
Ne consegue che, a livello di popolazione, l’odds ratio corrispondente sarae0 = 1, per ciascuna razza della vittima
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 52 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Riprendiamo il modello precedente
logit[P(y = 1)] = α+ β1d + β2v ,
Le variabili dummy d e v indicano, rispettivamente, la razza dell’imputato equella della vittima (Bianca vs Nera in entramnbi i casi)
Se β1 = 0 il verdetto di pena di morte e indipendente dalla razzadell’imputato, controllando per quella della vittima
Ne consegue che, a livello di popolazione, l’odds ratio corrispondente sarae0 = 1, per ciascuna razza della vittima
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 52 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Il software SPSS riporta il seguente prospetto
Tabella: Inferenza sul Modello di Regressione Logistica della Pena di Morte rispettoalla Razza dell’Imputato e della Vittima
B S.E. Wald χ2 Sig. 95% CI per exp(B)Intercetta -3.596 .5069 50.33 .000imputato=bianco -.868 .3671 5.59 .018 .20 .86vittima=bianca 2.404 .6006 16.03 .000 3.41 35.93
In riferimento alla razza dell’imputato il test Z per H0: β1 = 0 saraz = −0.868/0.367 = −2.36
La corrispondente statistica di Wald sara (−2.36)2 = 5.59, con un P − valore
pari a 0.018
Allo stesso modo si osserva un effetto della Razza della Vittima decisamentepiu rilevante, sia per la dimensione sia per il P − valore
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 53 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Il software SPSS riporta il seguente prospetto
Tabella: Inferenza sul Modello di Regressione Logistica della Pena di Morte rispettoalla Razza dell’Imputato e della Vittima
B S.E. Wald χ2 Sig. 95% CI per exp(B)Intercetta -3.596 .5069 50.33 .000imputato=bianco -.868 .3671 5.59 .018 .20 .86vittima=bianca 2.404 .6006 16.03 .000 3.41 35.93
In riferimento alla razza dell’imputato il test Z per H0: β1 = 0 saraz = −0.868/0.367 = −2.36
La corrispondente statistica di Wald sara (−2.36)2 = 5.59, con un P − valore
pari a 0.018
Allo stesso modo si osserva un effetto della Razza della Vittima decisamentepiu rilevante, sia per la dimensione sia per il P − valore
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 53 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Il software SPSS riporta il seguente prospetto
Tabella: Inferenza sul Modello di Regressione Logistica della Pena di Morte rispettoalla Razza dell’Imputato e della Vittima
B S.E. Wald χ2 Sig. 95% CI per exp(B)Intercetta -3.596 .5069 50.33 .000imputato=bianco -.868 .3671 5.59 .018 .20 .86vittima=bianca 2.404 .6006 16.03 .000 3.41 35.93
In riferimento alla razza dell’imputato il test Z per H0: β1 = 0 saraz = −0.868/0.367 = −2.36
La corrispondente statistica di Wald sara (−2.36)2 = 5.59, con un P − valore
pari a 0.018
Allo stesso modo si osserva un effetto della Razza della Vittima decisamentepiu rilevante, sia per la dimensione sia per il P − valore
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 53 / 54
Inferenza per il Modello di Regressione Logistica
Esempio 15.5 — Inferenza sul Modello per la Pena di
Morte e la Razza di Imputato e Vittima
Il software SPSS riporta il seguente prospetto
Tabella: Inferenza sul Modello di Regressione Logistica della Pena di Morte rispettoalla Razza dell’Imputato e della Vittima
B S.E. Wald χ2 Sig. 95% CI per exp(B)Intercetta -3.596 .5069 50.33 .000imputato=bianco -.868 .3671 5.59 .018 .20 .86vittima=bianca 2.404 .6006 16.03 .000 3.41 35.93
In riferimento alla razza dell’imputato il test Z per H0: β1 = 0 saraz = −0.868/0.367 = −2.36
La corrispondente statistica di Wald sara (−2.36)2 = 5.59, con un P − valore
pari a 0.018
Allo stesso modo si osserva un effetto della Razza della Vittima decisamentepiu rilevante, sia per la dimensione sia per il P − valore
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 53 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze per il
Confronto di Modelli di Regressione Logistica
Quando si desidera confrontare modelli che differiscono per piu di unparametro, conviene applicare il Test per il Rapporto delle MassimeVerosimiglianze
Si rammenta che la differenza tra (−2 log ℓ0 - −2 log ℓ0) e una statistca Chi2
con gdl= numero di parametri rimossi
Nel caso del ns modello abbiamo
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 440.843− 418.957 = 21.866.
I gdl = 2, per cui il P − valore sara < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 54 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze per il
Confronto di Modelli di Regressione Logistica
Quando si desidera confrontare modelli che differiscono per piu di unparametro, conviene applicare il Test per il Rapporto delle MassimeVerosimiglianze
Si rammenta che la differenza tra (−2 log ℓ0 - −2 log ℓ0) e una statistca Chi2
con gdl= numero di parametri rimossi
Nel caso del ns modello abbiamo
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 440.843− 418.957 = 21.866.
I gdl = 2, per cui il P − valore sara < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 54 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze per il
Confronto di Modelli di Regressione Logistica
Quando si desidera confrontare modelli che differiscono per piu di unparametro, conviene applicare il Test per il Rapporto delle MassimeVerosimiglianze
Si rammenta che la differenza tra (−2 log ℓ0 - −2 log ℓ0) e una statistca Chi2
con gdl= numero di parametri rimossi
Nel caso del ns modello abbiamo
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 440.843− 418.957 = 21.866.
I gdl = 2, per cui il P − valore sara < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 54 / 54
Inferenza per il Modello di Regressione Logistica
Test del rapporto delle Massime Verosimiglianze per il
Confronto di Modelli di Regressione Logistica
Quando si desidera confrontare modelli che differiscono per piu di unparametro, conviene applicare il Test per il Rapporto delle MassimeVerosimiglianze
Si rammenta che la differenza tra (−2 log ℓ0 - −2 log ℓ0) e una statistca Chi2
con gdl= numero di parametri rimossi
Nel caso del ns modello abbiamo
−2 log
(
ℓ0ℓ1
)
= (−2 log ℓ0)− (−2 log ℓ1) = 440.843− 418.957 = 21.866.
I gdl = 2, per cui il P − valore sara < 0.0001
Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 54 / 54