Cómo interpretar los coeficientes de regresión logística

Interpretación de coeficientes de regresión logística

Calculando los efectos marginales medios de los coeficientes de regresión logística

¿Te encanta la regresión logística, pero odias interpretar cualquier cosa con alguna forma de transformación logarítmica? Bueno, no puedo decir que estés en buena compañía, pero puedo decir que me tienes a mí como compañía.

En este artículo, voy a hablar sobre la interpretación de los coeficientes de regresión logística. Aquí está el esquema:

1. Interpretación de los coeficientes de regresión lineal
2. Por qué la interpretación de los coeficientes de regresión logística es desafiante
3. Cómo interpretar los coeficientes de regresión logística
4. Cálculo de los efectos marginales medios con el paquete statsmodels
5. Conclusión

Interpretación de los coeficientes de regresión lineal

La mayoría de las personas con conocimientos elementales de estadística comprenden completamente cómo se interpretan los coeficientes en la regresión lineal. Si ese es tu caso, puedes considerar saltar a la parte del artículo donde se discuten los coeficientes de regresión logística.

• Organizando la IA generativa 5 lecciones aprendidas de los equipos de ciencia de datos
• Apoyando la sostenibilidad, la salud digital y el futuro del trabajo
• Cómo ayudar a los estudiantes de secundaria a prepararse para el auge de la inteligencia artificial

La interpretación de los coeficientes de regresión lineal es muy simple y fácil. La simplicidad de la interpretación es una de las razones por las que la regresión lineal sigue siendo una herramienta muy popular a pesar del advenimiento de algoritmos mucho más sofisticados.

La regresión lineal simple (regresión lineal con una variable de entrada) tiene esta forma:

Principalmente estamos interesados en interpretar B₁. Para la regresión lineal, esta interpretación es simple: ante un cambio de una unidad en x, esperamos un cambio de B₁ en y. Otra frase para esta relación es el ‘efecto marginal medio’.

Veamos un ejemplo de cómo podemos interpretar B₁ utilizando simulación. La simulación es una excelente herramienta para probar herramientas/enfoques de ciencia de datos porque creamos la verdad base y luego vemos si nuestros métodos pueden identificarla.

En el código a continuación, estamos simulando 30,000 filas de valores x. Simulamos los valores x tomando muestras de una distribución normal con los parámetros que elijamos (en este caso, una media de 2 y una desviación estándar de 0.2). Luego simulamos y multiplicando x por nuestro impacto simulado de 0.16 y luego agregamos un error aleatorio…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!