زیربنای مفهوم ریاضی رگرسیون لجستیک همان لگاریتم طبیعی یا نسبت شانس است که به آن لجیت (Logit) گفته می شد.

رگرسیون لجستیک

بسیاری از مسائل آموزشی مستلزم یک روش تحلیلی ویژه هستند که به واسطه ی آن، عضویت گروهی افراد را در موقعیت های پیامدی دو مقوله ای پیش بینی کنند.

به طور مثال، آیا موفقیت یک کودک در مدرسه، ابتلا یک دانش آموز به مشکلات یادگیری، درگیر شدن یک نوجوان با قانون، احتمال موفقیت شغلی یا رضایت زناشویی برای یک جوان و ... قابل پیش بینی هستند.

به طور سنتی، روش های رگرسیون خطی و تحلیل تمایزات برای پیش بینی احتمال تعلق افراد به وضعیت های دو مقوله ای به کار گرفته شده است. از چهار دهه ی پیش تاکنون، توجه آماردانان از به کارگیری شیوه های رگرسیون خطی به دلیل مفروضه های دست و پاگیر آن ها، به روش دیگری که به آن رگرسیون لجستیک گفته می شود، تغییر کرده است.

مفروضه های خطی بودن، توزیع چند متغیری نرمال، پیوستگی داده ها و برابری ماتریس واریانس و کوواریانس از جمله محدودیت هایی هستند که آماردانان را به فکر گسترش شیوه های تحلیلی کارآمدتر سوق داده است.

رگرسیون لجستیک یک فن آماری است که برای پیش بینی متغیر وابسته ی چند مقوله ای طراحی شده است.

یکی از مهم ترین مزیت های تحلیل رگرسیون لجستیک نسبت به تحلیل تمیز این است که امکان استفاده از متغیرهای پیوسته و مقوله ای را به عنوان متغیرهای پیش بین فراهم نموده است.

زیربنای مفهوم ریاضی رگرسیون لجستیک همان لگاریتم طبیعی یا نسبت شانس است که به آن لجیت (Logit) گفته می شد.

اینک در یک مثال به تشریح رگرسیون لجستیک پرداخته می شود. کار را با یک جدول توافقی 2×2 که می تواند به بهترین شکلی مفهوم لجیت را نشان دهد آغاز می کنیم.

فرض کنید در یک پادگان نظامی، از یک نمونه ی بزرگ آزمون سطح تستوسترون به عمل می آید و بر اساس این آزمون، سربازان با میزان تستوسترون بالا و پایین شناسایی می شوند.

ادامه دارد ...