Om fortolkning af log.reg.
Hej
Jeg sidder med en binær logistisk regression, hvor jeg har fået et mildest talt overraskende resultat: En sammenhæng mellem to binære variable (U1 og A), der i en krydstabel viser en signifikant, svagt positiv sammenhæng (hvilket også er den analytisk forventede retning), bliver i den log. reg. til en signifikant, moderat negativ sammenhæng (hvilket er analytisk overraskende).
Jeg har i denne forbindelse to spørgsmål:
1) Hvad kan denne markante ændring i sammenhængen skyldes?
2) Kan man "løse problemet" med den overraskende (dvs. uønskede) retning af sammenhængen?
ad 1) Jeg har overvejet følgende som mulig forklaring på resultatet:
- Den uafhængige variabel (U1) er korrelleret med flere andre af de uafhængige variable i regressionen (Pearson`s R ligger mellem 0,153 og 0,339), heriblandt med en lignende variabel (U2), der tilmed bevarer den positive, forventede sammenhæng med den afhængige (A).
- Dette sammenholdt med, at procentfordelingen i den uafhængige variabel (U1) er 51/49, kan vel betyde, at selv ganske svage korrelationer kan have markant betydning.
Eller hvad?
Mvh. Nilse
Jeg sidder med en binær logistisk regression, hvor jeg har fået et mildest talt overraskende resultat: En sammenhæng mellem to binære variable (U1 og A), der i en krydstabel viser en signifikant, svagt positiv sammenhæng (hvilket også er den analytisk forventede retning), bliver i den log. reg. til en signifikant, moderat negativ sammenhæng (hvilket er analytisk overraskende).
Jeg har i denne forbindelse to spørgsmål:
1) Hvad kan denne markante ændring i sammenhængen skyldes?
2) Kan man "løse problemet" med den overraskende (dvs. uønskede) retning af sammenhængen?
ad 1) Jeg har overvejet følgende som mulig forklaring på resultatet:
- Den uafhængige variabel (U1) er korrelleret med flere andre af de uafhængige variable i regressionen (Pearson`s R ligger mellem 0,153 og 0,339), heriblandt med en lignende variabel (U2), der tilmed bevarer den positive, forventede sammenhæng med den afhængige (A).
- Dette sammenholdt med, at procentfordelingen i den uafhængige variabel (U1) er 51/49, kan vel betyde, at selv ganske svage korrelationer kan have markant betydning.
Eller hvad?
Mvh. Nilse
Hej Nilse
Bare lige for at slå det fast: Hvis du har en 2x2 krydstabel med to binære variable og laver en logistisk regression med to de samme variable skal regressionen per definition give det samme resultat. Grunden er, at den logistiske regressionsmodel er "mættet" og kan reproducere din krydstabel perfekt. Derfor kan sammenhængen ikke ændre sig! Et par muligheder
1) Den nemme: Er du sikker på at du har brugt den rigtige referencekategori i regressionen? Hvis du går fra en moderat positiv til en moderat negativ sammenhæng kunne det lyde som om fortegnet bare skal vendes?
2) Hvis du har flere variable med i regressionen kan situationen sagtens ændre sig og, især, som du selv siger, den uafhængige variabel er korreleret med andre uafhængige variable i modellen. Dine korrelationer virker dog ikke specielt høje. Hvis du har en anden variabel (U2) som minder om U1 burde du måske overveje kun at tage den ene med. Multikollinearitet kan godt skabe den slags mærkværdige resultater du har fundet, især hvis U1 og U2 deler den samme forklarende variation. Husk på at regressionskoefficienter er betingede korrelationsmål hvor man (additivt) tager højde for effekten af de andre forklarende variable.
HÃ¥ber det hjalp lidt!
Mvh.
Mads
Bare lige for at slå det fast: Hvis du har en 2x2 krydstabel med to binære variable og laver en logistisk regression med to de samme variable skal regressionen per definition give det samme resultat. Grunden er, at den logistiske regressionsmodel er "mættet" og kan reproducere din krydstabel perfekt. Derfor kan sammenhængen ikke ændre sig! Et par muligheder
1) Den nemme: Er du sikker på at du har brugt den rigtige referencekategori i regressionen? Hvis du går fra en moderat positiv til en moderat negativ sammenhæng kunne det lyde som om fortegnet bare skal vendes?
2) Hvis du har flere variable med i regressionen kan situationen sagtens ændre sig og, især, som du selv siger, den uafhængige variabel er korreleret med andre uafhængige variable i modellen. Dine korrelationer virker dog ikke specielt høje. Hvis du har en anden variabel (U2) som minder om U1 burde du måske overveje kun at tage den ene med. Multikollinearitet kan godt skabe den slags mærkværdige resultater du har fundet, især hvis U1 og U2 deler den samme forklarende variation. Husk på at regressionskoefficienter er betingede korrelationsmål hvor man (additivt) tager højde for effekten af de andre forklarende variable.
HÃ¥ber det hjalp lidt!
Mvh.
Mads
Hej igen
Det er (naturligvis;-)) situation 2, det drejer sig om - altså en log.reg., hvor der er flere uafhængige variable. Og tak for svaret - jeg vil prøve at lege lidt med at tage U1 eller U2 ud af ligningen!
Et tillægsspørgsmål: Hvad ligger der i, at det er "additivt", men tager højde for effekten af de andre forklarende variable? Altså, jeg forstår godt ordet, men hvad betyder det statistisk/matematisk?
Mvh. Nilse
Det er (naturligvis;-)) situation 2, det drejer sig om - altså en log.reg., hvor der er flere uafhængige variable. Og tak for svaret - jeg vil prøve at lege lidt med at tage U1 eller U2 ud af ligningen!
Et tillægsspørgsmål: Hvad ligger der i, at det er "additivt", men tager højde for effekten af de andre forklarende variable? Altså, jeg forstår godt ordet, men hvad betyder det statistisk/matematisk?
Mvh. Nilse
Flere spørgsmål :-)
Jeg sidder stadig og roder videre med de kære binære logistiske regressioner, og er stødt på følgende:
Jeg har en model med 8 uafhængige variable (heraf 2 primære (lad os kalde dem P1 og P2) og 6 baggrunds-variable (B1 til B6)), og der er desuden en teoretisk forventning om en interaktion mellem de 2 primære variable, hvorfor denne er inkluderet i modelsøgningen (som er baglæns i udgangspunktet).
Undervejs får jeg følgende model (hvor A er den afhængige variabel):
A = P1 + P2 + B1 + B2 + P1*P2
Imidlertid er P1*P2 ikke signifikant (Wald-test: p = 0,110), men det er alle andre led. Men hvis jeg fjerner P1*P2, så er hverken P1 eller P2 signifikant længere (B`erne er stort set upåvirkede). Er det i denne situation ok at beholde modellen (idet jeg naturligvis ikke fortolker på interaktionen)?
Mvh. Nilse
Jeg sidder stadig og roder videre med de kære binære logistiske regressioner, og er stødt på følgende:
Jeg har en model med 8 uafhængige variable (heraf 2 primære (lad os kalde dem P1 og P2) og 6 baggrunds-variable (B1 til B6)), og der er desuden en teoretisk forventning om en interaktion mellem de 2 primære variable, hvorfor denne er inkluderet i modelsøgningen (som er baglæns i udgangspunktet).
Undervejs får jeg følgende model (hvor A er den afhængige variabel):
A = P1 + P2 + B1 + B2 + P1*P2
Imidlertid er P1*P2 ikke signifikant (Wald-test: p = 0,110), men det er alle andre led. Men hvis jeg fjerner P1*P2, så er hverken P1 eller P2 signifikant længere (B`erne er stort set upåvirkede). Er det i denne situation ok at beholde modellen (idet jeg naturligvis ikke fortolker på interaktionen)?
Mvh. Nilse
Hej Nilse
Det er en interessant problemstilling du har.
Jeg ville beholde interaktionen med en p-værdi på 0.11 og også fortolke på den (hvor stort er dit datasæt?). Det ser jo netop ud til, at den substantielle effekt af P1 og P2 på A ER i interaktionen (hvis, som du siger, hverken P1 eller P2 er signifikante hver for sig i en model uden interaktionen).
Modelsøgning mener jeg er noget mærkeligt noget. Man må formodes på teoretisk baggrund at kunne opstille en model som ønskes efterprøvet empirisk. Ideen om så derefter at gå ud og "lede" eksplorativt efter den bedst "fittende" model er yderst mærkværdig. Man må - som du - have en teoretisk forventning om en interaktion for at det giver mening at tage den med i modellen.
Mvh.
Mads
Det er en interessant problemstilling du har.
Jeg ville beholde interaktionen med en p-værdi på 0.11 og også fortolke på den (hvor stort er dit datasæt?). Det ser jo netop ud til, at den substantielle effekt af P1 og P2 på A ER i interaktionen (hvis, som du siger, hverken P1 eller P2 er signifikante hver for sig i en model uden interaktionen).
Modelsøgning mener jeg er noget mærkeligt noget. Man må formodes på teoretisk baggrund at kunne opstille en model som ønskes efterprøvet empirisk. Ideen om så derefter at gå ud og "lede" eksplorativt efter den bedst "fittende" model er yderst mærkværdig. Man må - som du - have en teoretisk forventning om en interaktion for at det giver mening at tage den med i modellen.
Mvh.
Mads
Andre læser også
- Perspektivering og konklusion
- Fænomenologisk metode/hermeneutisk fortolkning
- Definition af kontingens
- Svag paternalisme
- Abduktion
- Habermas` teori om system og livsverden
- Generaliserbarhed ved kvalitativ metode?
- Bourdieu - Foucault; Forskel eller lighed
- Magt og viden(foucault)
- Socialkonstruktionisme versus socialkonstruktivisme
- Socialkonstruktivistisk /hermeneutisk
- Metaperspektiv?
- Hvem kender til makro- meso- og mikro begreberne?
- Deduktiv vs. induktiv
- Foucault, subjektivering/objektivering
- Ordet "perspektivering" på engelsk?
- Foucaults diskursanalyse - i en simpel udgave?
- Har jeg forstået Luhmann korrekt???
- Socialkonstruktivisme
- Forskel på paradigme og diskurs
- Moral og etik - en begrebsafklaring.
- Kritisk realisme vs. realism
- HJÆLP!!! jeg fatter ikke felt og doxa
- Sammenhæng mellem kapital og habitus
- Governmentality
- Viden - ud fra en ontologisk og epistemologisk dimension