SPSS ile binary lojistik regresyon nasıl yapılır?
Güncelleme tarihi: 15 Eyl
SPSS ile binary lojistik regresyon, bağımlı değişkenin iki kategoriden oluştuğu araştırmalarda bir veya daha fazla bağımsız değişkenin sonuçla ilişkisini incelemek amacıyla uygulanır. Hastalık var–yok, tedavi başarılı–başarısız veya bir ürünü satın aldı–almadı biçimindeki sonuçlar binary lojistik regresyonla değerlendirilebilir.
Örneğin hastalarda ameliyat sonrası komplikasyon gelişmesi şu şekilde kodlanmış olsun:
0 = Komplikasyon gelişmedi
1 = Komplikasyon gelişti
Araştırmacı yaş, cinsiyet, ameliyat süresi ve bazı laboratuvar değerlerinin komplikasyon gelişmesiyle ilişkisini incelemek isteyebilir. Bağımlı değişken iki kategorili olduğu için standart doğrusal regresyon yerine binary, diğer adıyla ikili lojistik regresyon kullanılır.
Bu rehberde verilerin hazırlanmasından SPSS menü adımlarına; referans kategorisinin belirlenmesinden odds oranı, model uyumu ve sınıflandırma sonuçlarının yorumlanmasına kadar bütün temel aşamaları ele alacağız.
Binary lojistik regresyon nedir?
Binary lojistik regresyon, iki kategorili bir sonucun gerçekleşme olasılığını bağımsız değişkenlere göre modelleyen bir regresyon yöntemidir. Model, olasılığı doğrudan doğrusal biçimde tahmin etmek yerine olayın odds değerinin doğal logaritmasını kullanır.
Binary lojistik regresyonda:
Bağımlı değişken iki kategoriden oluşur.
Bağımsız değişkenler sürekli veya kategorik olabilir.
Bir veya birden fazla bağımsız değişken aynı modelde incelenebilir.
Sonuçlar çoğunlukla regresyon katsayıları ve odds oranlarıyla açıklanır.
Binary lojistik regresyon ile ki-kare testi aynı amaçla kullanılmaz. Ki-kare testi iki kategorik değişken arasındaki ilişkiyi inceleyebilir. Lojistik regresyon ise birden fazla değişkeni aynı modelde değerlendirmeyi ve diğer değişkenler kontrol edildiğinde her bir değişkenin sonuçla ilişkisini tahmin etmeyi sağlar.
Bağımlı değişkeniniz sürekliyse basit doğrusal regresyon veya çoklu doğrusal regresyon gibi yöntemler daha uygun olabilir.
Binary lojistik regresyon hangi durumlarda kullanılır?
Yöntemin kullanılabilmesi için bağımlı değişkenin birbirini dışlayan iki kategoriden oluşması gerekir. Örnek araştırma sonuçları şunlardır:
Araştırma sonucu | Örnek kodlama |
Hastalık durumu | 0 = Yok, 1 = Var |
Tedavi sonucu | 0 = Başarısız, 1 = Başarılı |
Yeniden hastaneye yatış | 0 = Hayır, 1 = Evet |
Sınav başarısı | 0 = Başarısız, 1 = Başarılı |
Ürünü satın alma | 0 = Satın almadı, 1 = Satın aldı |
Bağımlı değişken üç veya daha fazla sırasız kategoriden oluşuyorsa multinomial lojistik regresyon; sıralı kategorilerden oluşuyorsa ordinal lojistik regresyon gündeme gelebilir.
Hangi yöntemin araştırma sorunuza uygun olduğunu önceden değerlendirmek için istatistiksel test seçme aracımızı kullanabilirsiniz.
Analizden önce değişkenleri hazırlayın
Örneğimizde ameliyat sonrası komplikasyon gelişmesiyle ilişkili olabilecek değişkenleri inceleyelim.
Modeldeki rol | Değişken | SPSS değişken adı |
Bağımlı değişken | Komplikasyon durumu | komplikasyon |
Sürekli bağımsız değişken | Yaş | yas |
Sürekli bağımsız değişken | Ameliyat süresi | sure |
Kategorik bağımsız değişken | Cinsiyet | cinsiyet |
Kategorik bağımsız değişken | Diyabet durumu | diyabet |
Bağımlı değişken:
0 = Komplikasyon gelişmedi
1 = Komplikasyon gelişti
şeklinde kodlanmıştır.
Cinsiyet değişkeni:
0 = Kadın
1 = Erkek
diyabet değişkeni ise:
0 = Yok
1 = Var
olarak kodlanmış olsun.
Bu kodlamalar yalnızca örnektir. Kendi araştırmanızda kullanılan kodları veri sözlüğünüzde açıkça tanımlamalısınız.
SPSS hangi kategoriyi olay olarak analiz eder?
Binary lojistik regresyonda hangi kategorinin olay olarak kabul edildiği sonuçların yorumunu doğrudan etkiler. SPSS, sayısal olarak daha yüksek kodlanan bağımlı değişken kategorisini çoğunlukla olay kategorisi olarak modeller.
Bağımlı değişken:
0 = Komplikasyon gelişmedi
1 = Komplikasyon gelişti
şeklinde kodlandığında model genellikle komplikasyon gelişmesi, yani 1 kategorisinin olasılığını tahmin eder.
Bu durumda Exp(B) değerinin 1’den büyük olması, ilgili bağımsız değişken arttıkça veya karşılaştırılan kategoriye geçildiğinde komplikasyon odds’unun arttığını gösterir.
Analizi çalıştırmadan önce bağımlı değişkenin kodlarını kontrol edin. Olay kategorisinin yanlış anlaşılması, odds oranlarının ters yönde yorumlanmasına neden olabilir.
Binary lojistik regresyonun varsayımları nelerdir?
Binary lojistik regresyonda bağımsız değişkenlerin veya bağımlı değişkenin normal dağılması gerekmez. Bununla birlikte yöntemin başka koşulları vardır.
Bağımlı değişken iki kategorili olmalıdır
Sonuç değişkeni iki kategoriden oluşmalı ve her gözlem yalnızca bir kategoriye ait olmalıdır.
Gözlemler bağımsız olmalıdır
Bir katılımcıya ait tek bir sonuç diğer katılımcıların sonuçlarından bağımsız olmalıdır. Aynı katılımcıdan tekrarlı ölçümler alınmışsa veya katılımcılar okul, hastane ya da klinik gibi birimler içinde kümelenmişse standart lojistik regresyon uygun olmayabilir.
Sürekli değişkenlerle logit arasında doğrusallık bulunmalıdır
Lojistik regresyon, sürekli bağımsız değişkenlerin sonuç değişkeniyle doğrusal ilişki göstermesini değil, sonucun logit değeriyle doğrusal ilişki göstermesini bekler. Bu durum Box–Tidwell yaklaşımı veya uygun grafik ve model karşılaştırmalarıyla değerlendirilebilir.
Koşul sağlanmıyorsa değişken dönüşümleri, polinom terimleri veya doğrusal olmayan ilişkileri modelleyen yöntemler düşünülebilir.
Çoklu bağlantı sorunu bulunmamalıdır
Bağımsız değişkenler arasında çok yüksek ilişkiler bulunması katsayıların ve standart hataların kararsızlaşmasına yol açabilir. Korelasyonlar, tolerans ve VIF gibi göstergeler yardımcı değerlendirmeler olarak kullanılabilir.
Yeterli sayıda olay bulunmalıdır
Örneklem büyüklüğü yalnızca toplam katılımcı sayısına göre değerlendirilmemelidir. Daha seyrek olan sonuç kategorisindeki gözlem sayısı ve modelde tahmin edilecek parametre sayısı önemlidir. Kategorik bir değişken birden fazla parametre oluşturabileceği için yalnızca bağımsız değişkenlerin sayısını saymak yeterli değildir.
Az sayıda olaya karşılık çok sayıda bağımsız değişken kullanılması aşırı uyuma, geniş güven aralıklarına ve güvenilir olmayan tahminlere yol açabilir.
Tam veya tama yakın ayrışma bulunmamalıdır
Bir bağımsız değişkenin belirli değerlerinin sonucu kusursuz biçimde ayırması durumunda katsayılar aşırı büyüyebilir ve standart maksimum olabilirlik tahminleri kararsızlaşabilir. SPSS çıktısındaki çok büyük B ve standart hata değerleri veya olağan dışı geniş güven aralıkları bu soruna işaret edebilir.
SPSS ile binary lojistik regresyon nasıl yapılır?
Analizi başlatmak için şu menü yolunu izleyin:
Analyze → Regression → Binary Logistic
Açılan pencerede:
Dependent: komplikasyon
Covariates: yas, sure, cinsiyet ve diyabet
değişkenlerini ilgili alanlara yerleştirin.
SPSS penceresinde bütün bağımsız değişkenlerin “Covariates” alanına alınması, bunların tamamının sürekli değişken olarak yorumlanacağı anlamına gelmemelidir. Kategorik bağımsız değişkenlerin ayrıca tanımlanması gerekir.
Kategorik bağımsız değişkenler nasıl tanımlanır?
Ana penceredeki Categorical düğmesine tıklayın. Cinsiyet ve diyabet değişkenlerini Categorical Covariates alanına aktarın.
Bu aşamada her kategorik değişken için referans kategorisini belirlemelisiniz:
First: Sayısal olarak ilk kategori referans alınır.
Last: Sayısal olarak son kategori referans alınır.
Örneğin cinsiyet değişkeni 0 = Kadın ve 1 = Erkek biçiminde kodlanmışsa:
First seçildiğinde kadınlar referans kategoridir.
Last seçildiğinde erkekler referans kategoridir.
Diyabet değişkeninde 0 = Yok ve 1 = Var kodlaması kullanılmış ve First seçilmişse diyabeti olmayanlar referans alınır. Bu durumda odds oranı, diyabeti olanların komplikasyon odds’unu diyabeti olmayanlarla karşılaştırır.
Referans kategorisini yalnızca sayısal sıraya göre değil, araştırma sorusuna ve yorumlama kolaylığına göre belirleyin. Seçiminizi tamamladıktan sonra Continue düğmesine basın.
Değişkenler modele hangi yöntemle alınmalıdır?
Ana penceredeki Method bölümünde çoğunlukla Enter yöntemi tercih edilebilir. Enter yönteminde araştırmacının belirlediği bağımsız değişkenler aynı blokta modele alınır.
Forward ve Backward gibi otomatik değişken seçme yöntemleri örnekleme özgü, kararsız modeller oluşturabilir. Bir değişkenin modele dahil edilmesi yalnızca otomatik p değerlerine bırakılmamalıdır. Değişken seçimi:
Araştırma soruları
Kuramsal gerekçe
Önceki çalışmalar
Olası karıştırıcı değişkenler
Örneklem ve olay sayısı
birlikte değerlendirilerek yapılmalıdır.
Tek değişkenli analizde anlamlı bulunmayan bir değişkenin çok değişkenli modelde hiçbir zaman yer almaması gerektiği biçiminde kesin bir kural yoktur. Özellikle karıştırıcı değişkenlerin belirlenmesi yalnızca tek değişkenli p değerlerine dayandırılmamalıdır.
Hangi SPSS seçenekleri işaretlenmelidir?
Options düğmesini açarak şu seçenekleri işaretleyebilirsiniz:
Hosmer–Lemeshow goodness-of-fit
CI for exp(B): %95
Classification plots
Casewise listing of residuals
Güven aralığı seçeneği, Exp(B) değerleriyle birlikte odds oranlarının %95 güven aralıklarını verir. Yalnızca p değerlerini değil, odds oranlarının belirsizliğini de göstermek için bu aralıklar raporlanmalıdır.
Tahmin edilen grup ve olasılık değerlerini veri dosyasına kaydetmek isterseniz Save bölümünden ilgili seçenekleri kullanabilirsiniz. Etkili ve uyumsuz gözlemleri incelemek için artıklar ve etki ölçüleri de kaydedilebilir.
Ayarları tamamladıktan sonra OK düğmesine basarak analizi çalıştırın.
SPSS binary lojistik regresyon videosu
Bu konudaki iki videomuzda analizin kurulmasını ve çıktıların yorumlanmasını uygulamalı olarak izleyebilirsiniz.
Birinci video:
00:37 Lojistik regresyon nedir? Nasıl yapılır?
01:40 Basit ve çoklu regresyondan farkları
03:22 Örnek senaryo
04:38 Bağımsız değişkenlerin seçimi ve doğru modelleme
06:22 Değişkenlerin kodlanmasında dikkat edilmesi gerekenler
07:30 Referans kategorisi nedir?
11:02 Analize başlama
16:00 Raporun yorumlanması
22:41 Modelin tahmine katkısı: Omnibus testi
23:45 Cox & Snell ve Nagelkerke R² değerleri
İkinci video:
01:40 Analizin temel sonuçları
02:46 Odds oranı ve hesaplanması
05:44 Aykırı gözlemlerin tespiti
07:20 Olasılık ve grup tahmini değişkenlerinin okunması
10:59 Yeni bir kategorik değişkenin analize eklenmesi
14:48 Sıralayıcı ölçme düzeyindeki bir değişkenin analizi
19:05 Sürekli bir değişkenin analizi
21:12 Çok değişkenli analiz için bağımsız değişkenlerin seçimi
23:02 Birden fazla değişkenle analize başlama
23:54 Çok değişkenli analiz sonuçlarının değerlendirilmesi
Case Processing Summary tablosu nasıl yorumlanır?
Case Processing Summary tablosu, analize kaç gözlemin dahil edildiğini ve eksik değer nedeniyle kaç gözlemin dışarıda kaldığını gösterir.
SPSS binary lojistik regresyonda varsayılan olarak listwise silme uygulayabilir. Modeldeki değişkenlerden herhangi birinde eksik değeri bulunan gözlem analiz dışında kalabilir. Bu nedenle analiz edilen örneklem sayısının başlangıçtaki toplam örneklemden farklı olup olmadığını kontrol edin.
Çok sayıda gözlemin eksik değer nedeniyle dışlanması:
İstatistiksel gücü azaltabilir.
Örneklemin yapısını değiştirebilir.
Sonuçlarda yanlılığa yol açabilir.
Eksik verilerin nasıl ele alındığı yöntem bölümünde açıklanmalıdır.
Dependent Variable Encoding tablosu neden önemlidir?
Dependent Variable Encoding tablosu, bağımlı değişken kategorilerinin SPSS tarafından nasıl kodlandığını gösterir. Hangi kategorinin 0, hangi kategorinin 1 olarak ele alındığını bu tablodan doğrulayabilirsiniz.
Odds oranlarını yorumlamadan önce modelin hangi olay kategorisini tahmin ettiğini mutlaka kontrol edin.
Categorical Variables Codings tablosu nasıl yorumlanır?
Bu tablo, kategorik bağımsız değişkenlerin gösterge değişkenlerine nasıl dönüştürüldüğünü ve hangi kategorinin referans alındığını gösterir.
Örneğin diyabeti olmayanlar referans kategori olarak belirlenmişse tabloda diyabet değişkenine ait katsayı, diyabeti olanlarla olmayanlar arasındaki karşılaştırmayı ifade eder.
Üç veya daha fazla kategorili bir değişken modele alındığında SPSS birden fazla karşılaştırma katsayısı üretir. Bu nedenle kategorik değişkenin tamamına ilişkin sonuçla her bir kategori karşılaştırmasını birbirinden ayırmak gerekir.
Omnibus Tests of Model Coefficients tablosu nasıl yorumlanır?
Omnibus Tests of Model Coefficients tablosu, bağımsız değişkenleri içeren modelin yalnızca sabit terimden oluşan başlangıç modeline göre uyumu anlamlı biçimde iyileştirip iyileştirmediğini değerlendirir.
P değerinin önceden belirlenen anlamlılık düzeyinin altında olması, bağımsız değişkenlerin modele birlikte eklenmesinin başlangıç modeline göre anlamlı bir iyileşme sağladığını gösterir.
Ancak Omnibus testinin anlamlı olması:
Her bağımsız değişkenin anlamlı olduğunu,
Modelin yeterli sınıflandırma performansına sahip olduğunu,
Varsayımların karşılandığını
tek başına göstermez.
Model Summary tablosu nasıl değerlendirilir?
Model Summary tablosunda −2 Log Likelihood, Cox & Snell R² ve Nagelkerke R² değerleri bulunur.
−2 Log Likelihood
−2 Log Likelihood model uyumuyla ilgili bir ölçüdür. Aynı veri ve aynı sonuç değişkeniyle kurulan iç içe modeller karşılaştırılırken daha düşük değer genellikle daha iyi uyuma işaret eder. Ancak bu değer tek başına “model iyi” veya “model kötü” biçiminde yorumlanmamalıdır.
Cox & Snell R² ve Nagelkerke R²
Bu değerler pseudo R² ölçüleridir. Doğrusal regresyondaki R² ile aynı anlama gelmezler. Bu nedenle Nagelkerke R² = 0,40 bulunduğunda “bağımlı değişkendeki varyansın %40’ı açıklanmıştır” biçiminde doğrudan bir yorum dikkatli kullanılmalıdır.
Pseudo R² değerleri çoğunlukla aynı sonuç değişkeniyle kurulan modellerin karşılaştırılması ve modelin genel performansının betimlenmesi için kullanılır.
Hosmer–Lemeshow testi nasıl yorumlanır?
Hosmer–Lemeshow testi gözlenen ve model tarafından beklenen sonuçlar arasındaki uyumu gruplandırılmış tahmin olasılıkları üzerinden değerlendirir.
Testin anlamsız bulunması, sıklıkla model ile veriler arasında belirgin uyumsuzluk saptanmadığı biçiminde yorumlanır. Ancak:
P > 0,05 sonucu modelin kesin olarak iyi olduğunu kanıtlamaz.
Test sonucu örneklem büyüklüğünden etkilenebilir.
Anlamlı olmayan sonuç yüksek ayırt edicilik göstermez.
Model değerlendirmesi yalnızca bu teste dayandırılmamalıdır.
Model uyumu; kalibrasyon, ayırt edicilik, artıklar, etkili gözlemler ve araştırmanın amacıyla birlikte değerlendirilmelidir.
Classification Table nasıl yorumlanır?
Classification Table, seçilen olasılık eşiğine göre modelin gözlemleri hangi oranda doğru sınıflandırdığını gösterir. SPSS çoğunlukla 0,50 eşik değerini kullanır.
Tabloda:
Gerçek negatiflerin doğru sınıflandırılma oranı
Gerçek pozitiflerin doğru sınıflandırılma oranı
Genel doğru sınıflandırma yüzdesi
yer alır.
Genel doğruluk oranı tek başına yeterli değildir. Örneğin katılımcıların %90’ında hastalık yoksa bütün katılımcıları “hastalık yok” olarak sınıflandıran bir model %90 doğruluğa ulaşabilir; ancak hastaları hiç belirleyemez.
Bu nedenle özellikle dengesiz sonuç dağılımlarında duyarlılık, seçicilik, pozitif ve negatif tahmin değerleri ile ROC eğrisi gibi ölçüler de değerlendirilebilir.
Variables in the Equation tablosu nasıl yorumlanır?
Analizin temel sonuçları Variables in the Equation tablosunda bulunur.
SPSS çıktısı | Anlamı |
B | Log odds ölçeğindeki regresyon katsayısı |
S.E. | Katsayının standart hatası |
Wald | Katsayıya ilişkin Wald test istatistiği |
df | Serbestlik derecesi |
Sig. | P değeri |
Exp(B) | Odds oranı |
%95 GA | Odds oranının güven aralığı |
P değeri ilgili katsayının sıfırdan farklı olup olmadığına ilişkin istatistiksel kanıtı değerlendirir. Ancak sonuç yalnızca p değerine göre açıklanmamalıdır. Exp(B), güven aralığı ve değişkenin ölçüm birimi birlikte yorumlanmalıdır.
Exp(B), yani odds oranı nasıl yorumlanır?
Exp(B) değeri odds oranını gösterir.
Exp(B) = 1: Odds açısından farklılık yoktur.
Exp(B) > 1: Olay odds’u artmaktadır.
Exp(B) < 1: Olay odds’u azalmaktadır.
Örneğin yaş için Exp(B) = 1,06 bulunmuş olsun. Diğer değişkenler sabitken yaştaki her bir yıllık artış, komplikasyon odds’unda yaklaşık %6 artışla ilişkilidir.
Diyabet için Exp(B) = 2,40 bulunmuş ve diyabeti olmayanlar referans alınmışsa diğer değişkenler sabitken diyabeti olanların komplikasyon odds’u, diyabeti olmayanların odds’unun 2,40 katıdır.
Exp(B) = 0,70 ise odds’taki değişim:
(1 − 0,70) × 100 = %30
olarak hesaplanabilir. Bu sonuç olay odds’unun yaklaşık %30 daha düşük olduğunu gösterir.
Odds oranı ile olasılık oranı aynı değildir. “Odds 2 katına çıktı” ifadesi, olayın olasılığının da kesin olarak 2 katına çıktığı anlamına gelmez. Başlangıç olasılığı yükseldikçe odds oranı ile risk oranı arasındaki fark büyüyebilir.
Güven aralığı nasıl yorumlanır?
Exp(B) değerinin %95 güven aralığı, odds oranına ilişkin belirsizliği gösterir.
Örneğin:
OR = 2,40; %95 GA [1,30; 4,44]
bulunmuşsa güven aralığı 1’i içermediği için sonuç, %5 anlamlılık düzeyindeki iki taraflı Wald testiyle uyumludur.
Güven aralığının çok geniş olması tahminin hassas olmadığını gösterebilir. Bu durum:
Örneklemin küçük olması
Olay sayısının az olması
Bazı kategorilerde çok az gözlem bulunması
Çoklu bağlantı
Ayrışma sorunu
Modele gereğinden fazla değişken eklenmesi
gibi nedenlerle ortaya çıkabilir.
Yalnızca p değerinin 0,05’in altında olmasına bakarak geniş güven aralıklarını göz ardı etmemek gerekir.
Sürekli değişkenin ölçüm birimi yorumu nasıl etkiler?
Sürekli bir bağımsız değişken için odds oranı, değişkendeki bir birimlik artışı temsil eder.
Yaş yıl cinsinden ölçülmüşse Exp(B) her bir yıllık artışı; ameliyat süresi dakika cinsinden ölçülmüşse her bir dakikalık artışı gösterir. Bir birimlik değişim klinik veya uygulamalı açıdan çok küçükse değişken yeniden ölçeklenebilir.
Örneğin ameliyat süresi 10 dakikalık birimler hâlinde ifade edildiğinde odds oranı her 10 dakikalık artış için yorumlanabilir. Yapılan yeniden ölçeklendirme yöntem bölümünde açıkça belirtilmelidir.
Aykırı ve etkili gözlemler nasıl incelenir?
SPSS’te kaydedilen artıklar ve etki ölçüleri, modelle uyumsuz veya katsayıları güçlü biçimde etkileyen gözlemlerin belirlenmesine yardımcı olabilir.
İncelenebilecek göstergeler arasında:
Standartlaştırılmış veya studentized artıklar
Deviance artıkları
Cook uzaklığı
Leverage değerleri
DFBETA değerleri
bulunabilir.
Bir gözlemin yüksek bir değere sahip olması, otomatik olarak veri setinden silinmesi gerektiği anlamına gelmez. Öncelikle veri giriş hatası olup olmadığı kontrol edilmeli; gözlemin araştırma evreninde mümkün bir değer olup olmadığı ve sonuçlar üzerindeki etkisi değerlendirilmelidir.
Binary lojistik regresyon nasıl raporlanır?
Binary lojistik regresyon raporunda şu bilgilere yer verilmelidir:
Bağımlı değişkenin kategorileri ve olay olarak modellenen kategori
Bağımsız değişkenler
Kategorik değişkenlerin referans kategorileri
Değişkenlerin modele alınma yöntemi
Analize dahil edilen örneklem sayısı
Modelin genel anlamlılık sonucu
Katsayılar, standart hatalar ve p değerleri
Odds oranları ve %95 güven aralıkları
Uygun model değerlendirme sonuçları
Varsa ayırt edicilik ve kalibrasyon ölçüleri
Aşağıdaki metin örnek raporlama için kullanılabilir:
“Ameliyat sonrası komplikasyon gelişmesiyle ilişkili değişkenleri incelemek amacıyla binary lojistik regresyon analizi uygulanmıştır. Komplikasyon gelişmesi olay kategorisi olarak kodlanmıştır. Yaş, ameliyat süresi, cinsiyet ve diyabet durumu Enter yöntemiyle modele alınmıştır. Model yalnızca sabit terim içeren başlangıç modeline göre anlamlı iyileşme göstermiştir, χ²(df) = […], p = […]. Diğer değişkenler kontrol edildiğinde diyabet varlığı daha yüksek komplikasyon odds’uyla ilişkili bulunmuştur (OR = 2,40; %95 GA [1,30; 4,44]; p = […]). Yaştaki her bir yıllık artış da komplikasyon odds’unda yaklaşık %6 artışla ilişkilidir (OR = 1,06; %95 GA […]; p = […]).”
Köşeli parantezlerdeki alanlar kendi analiz sonuçlarınızla doldurulmalıdır. Kesitsel veya gözlemsel çalışmalarda katsayılar nedensel etki biçiminde değil, düzeltilmiş ilişki biçiminde yorumlanmalıdır.
Lojistik regresyon bulgularının tabloya ve akademik metne dönüştürülmesini ayrıntılı görmek için binary lojistik regresyon bulgularının tez veya makalede yazımı rehberimizi inceleyebilirsiniz.
Binary lojistik regresyonda sık yapılan hatalar nelerdir?
En sık karşılaşılan hatalar şunlardır:
Olay kategorisini kontrol etmeden odds oranlarını yorumlamak
Kategorik bağımsız değişkenleri Categorical bölümünde tanımlamamak
Referans kategorisini belirtmemek
Odds oranını risk veya olasılık oranı gibi açıklamak
Yalnızca p değerlerini raporlamak
Güven aralıklarını vermemek
Nagelkerke R²’yi doğrusal regresyondaki R² gibi yorumlamak
Yalnızca genel sınıflandırma yüzdesine bakmak
Hosmer–Lemeshow testini modelin yeterliliğine ilişkin kesin kanıt saymak
Sürekli değişkenlerle logit arasındaki doğrusallığı incelememek
Az olay sayısına karşılık çok fazla değişken kullanmak
Otomatik değişken seçme yöntemlerine dayanmak
Çoklu bağlantı ve ayrışma sorunlarını göz ardı etmek
Gözlemsel verilerden doğrudan neden–sonuç çıkarmak
Lojistik regresyon analizi için destek alabilir miyim?
Binary lojistik regresyonda doğru menü adımlarının uygulanmasının yanında olay ve referans kategorilerinin belirlenmesi, model değişkenlerinin seçilmesi, varsayımların değerlendirilmesi ve odds oranlarının araştırma bağlamına uygun açıklanması gerekir.
Verileriniz hazırsa modelin kurulması, SPSS analizlerinin uygulanması ve sonuçların raporlanması için SPSS analizi danışmanlığı hizmetimizi inceleyebilirsiniz.
Tıp, hemşirelik, diş hekimliği ve diğer sağlık araştırmalarındaki lojistik regresyon modelleri için sağlık bilimlerinde istatistiksel analiz hizmetimizden yararlanabilirsiniz.
Elinizde tamamlanmış bir analiz veya hakem düzeltmesi bulunuyorsa analiz kontrolü ve istatistiksel revizyon kapsamında modelinizi, SPSS çıktılarınızı ve sonuç yorumlarınızı değerlendirebiliriz.
Çalışmanızın kısa açıklamasını, değişken listenizi ve mevcut dosyalarınızı paylaşarak danışmanlık talebinizi iletebilirsiniz.
Sonuç
SPSS ile binary lojistik regresyon, iki kategorili bir sonucun bir veya daha fazla bağımsız değişkenle ilişkisini incelemek için kullanılır. Analizin doğru yorumlanabilmesi için olay kategorisi, kategorik bağımsız değişkenlerin referans grupları ve sürekli değişkenlerin ölçüm birimleri açıkça belirlenmelidir.
Modelin değerlendirilmesi yalnızca p değerine, Hosmer–Lemeshow testine veya genel sınıflandırma yüzdesine dayandırılmamalıdır. Odds oranları güven aralıklarıyla birlikte raporlanmalı; model uyumu, ayırt edicilik, kalibrasyon, varsayımlar ve etkili gözlemler araştırmanın amacı doğrultusunda birlikte değerlendirilmelidir.