स्टाटा फॉरेक्स में कई रसद प्रतिगमन विश्लेषण

स्टेटा परिचय का उपयोग करते हुए एकाधिक प्रतिगमन विश्लेषण एकाधिक प्रतिगमन (सरल रेखीय प्रतिगमन का विस्तार) दो या अधिक स्वतंत्र चर के मूल्य के आधार पर निर्भर चर (भी एक परिणाम चर के रूप में जाना जाता है) का अनुमान लगाने के लिए उपयोग किया जाता है (यह भी प्रक्षेपक चर के रूप में जाना जाता है )। उदाहरण के लिए, आप यह निर्धारित करने के लिए कि क्या परीक्षा की चिंता का अभ्यास coursework चिह्न, संशोधन समय, व्याख्यान उपस्थिति और आईक्यू स्कोर (यानी आश्रित चर परीक्षा परीक्षा होगी, और चार स्वतंत्र चर, पाठ्य का निशान, संशोधन होगा) के आधार पर आप कई प्रतिगमन का उपयोग कर सकते हैं। समय, व्याख्यान उपस्थिति और बुद्धि स्कोर)। वैकल्पिक रूप से, आप यह निर्धारित करने के लिए कि आप आयु, लिंग और शैक्षिक स्तर (यानी निर्भर परिवर्तनीय आय होंगे, और तीन स्वतंत्र चर, उम्र, लिंग और शैक्षिक स्तर) के आधार पर अनुमान लगाया जा सकता है कि आप कई प्रतिगमन का उपयोग कर सकते हैं। यदि आपके पास डिक्टोटॉमस आश्रित चर है तो आप एक द्विपद रसद प्रतिगमन का उपयोग कर सकते हैं। एकाधिक प्रतिगमन आपको मॉडल के समग्र फिट (विचरण समझाया) और प्रत्येक भिन्न चर के सापेक्ष योगदान को कुल विचरण को समझाया जाने की अनुमति देता है। उदाहरण के लिए, आप यह जानना चाह सकते हैं कि परीक्षा की चिंता में कितनी विविधता पाठ्यचर्या चिह्न, संशोधन समय, व्याख्यान उपस्थिति और आईक्यू स्कोर के रूप में समझा जा सकता है, लेकिन विचरण को स्पष्ट करने में प्रत्येक स्वतंत्र चर के सापेक्ष योगदान भी। यह त्वरित आरंभ मार्गदर्शिका आपको दिखाती है कि स्ताटा का उपयोग करते हुए कई प्रतिगमन कैसे करें, साथ ही साथ इस परीक्षा से परिणामों की व्याख्या और रिपोर्ट कैसे करें। हालांकि, इससे पहले कि आप इस प्रक्रिया को लागू करें, आपको अलग-अलग मान्यताओं को समझना होगा कि आपके डेटा को एक वैध परिणाम देने के लिए कई प्रतिगमन के लिए मिलना चाहिए। हम इन धारणाओं पर चर्चा करते हैं। धारणाएं ऐसे आठ धारणाएं हैं जो एक से अधिक प्रतिगमन को आगे बढ़ाती हैं। यदि इन आठ धारणाओं में से कोई भी नहीं मिले, तो आप कई प्रतिगमन का उपयोग करके अपने डेटा का विश्लेषण नहीं कर सकते क्योंकि आपको एक वैध परिणाम नहीं मिलेगा। मान्यताओं 1 और 2 चर की अपनी पसंद से संबंधित होने के बाद से, उन्हें स्टेटा का उपयोग करने के लिए परीक्षण नहीं किया जा सकता। हालांकि, आपको यह तय करना चाहिए कि आगे बढ़ने से पहले आपका अध्ययन इन मान्यताओं को पूरा करता है या नहीं। धारणा 1: आपके निर्भर चर को निरंतर स्तर पर मापा जाना चाहिए। ऐसे निरंतर चर के उदाहरणों में ऊँचाई (पैर और इंच में मापा जाता है), तापमान (176 सी में मापा जाता है), वेतन (यूएस डॉलर में मापा जाता है), संशोधन समय (घंटों में मापा जाता है), खुफिया (आईक्यू स्कोर का उपयोग करके मापा जाता है), प्रतिक्रिया समय मिलीसेकंड में), परीक्षण का प्रदर्शन (0 से 100 तक मापा जाता है), विक्रय (प्रति माह लेन-देन की संख्या में मापा जाता है), और आगे। यदि आप अनिश्चित हैं कि आपके निरंतर चर निरंतर है (यानी अंतराल या अनुपात स्तर पर मापा जाता है), तो हमारे प्रकार के वैरिएबल मार्गदर्शिका देखें। धारणा 2: आपके पास दो या अधिक स्वतंत्र चर हैं जो निरंतर या स्पष्ट स्तर पर मापा जाना चाहिए। निरंतर चर के उदाहरणों के लिए ऊपर बुलेट देखें स्पष्ट चर के उदाहरण लिंग (जैसे 2 समूहों: पुरुष और महिला), जातीयता (उदाहरण के लिए 3 समूहों: कोकेशियान, अफ्रीकी अमेरिकी और हिस्पैनिक), शारीरिक गतिविधि स्तर (जैसे 4 समूहों: गतिहीन, कम, मध्यम और उच्च), व्यवसाय (उदाहरण 5 समूहों: सर्जन, डॉक्टर, नर्स, दंत चिकित्सक, चिकित्सक), और आगे भी। इस गाइड में, हम आपको कई प्रतिगमन प्रक्रिया दिखाते हैं क्योंकि हमारे पास निरंतर और स्पष्ट स्वतंत्र चर का मिश्रण है। नोट: यदि आपके पास केवल स्पष्ट स्वतंत्र चर (अर्थात निरंतर स्वतंत्र चर) है, तो यह दो-तरफा एनोवा (दो स्पष्ट स्वतंत्र चर के लिए) या फैक्ट्रोरील एनोवा (तीन या अधिक स्पष्ट के लिए) के परिप्रेक्ष्य से विश्लेषण के लिए अधिक सामान्य है एकाधिक प्रतिगमन के बजाय स्वतंत्र चर) सौभाग्य से, आप स्टेटा का उपयोग करके 3, 4, 5, 6, 7 और 8 मान्यताओं को देख सकते हैं। जब 3, 4, 5, 6, 7 और 8 की मान्यताओं पर आगे बढ़ते हैं, तो हम उन्हें इस क्रम में परीक्षण करने का सुझाव देते हैं क्योंकि यह एक आदेश का प्रतिनिधित्व करता है, यदि धारणा का उल्लंघन सही नहीं है, तो आप कई बार उपयोग नहीं कर सकेंगे प्रतिगमन। असल में, अगर आपके डेटा में इनमें से एक या अधिक मान्यताओं में विफल रहता है, तो वास्तव में आश्चर्यचकित न हों क्योंकि पाठ्यपुस्तक के बजाय वास्तविक-दुनिया के आंकड़ों के साथ काम करते समय यह काफी सामान्य है, जो अक्सर आपको दिखाता है कि जब सबकुछ ठीक हो जाता है तो रैखिक प्रतिगमन कैसे करना चाहिए हालांकि, चिंता न करें क्योंकि जब भी आपका डेटा कुछ मान्यताओं में विफल रहता है, तो इसका समाधान करने के लिए अक्सर एक समाधान होता है (जैसे कि आपके डेटा को बदलना या इसके बजाय एक अन्य सांख्यिकीय परीक्षण का उपयोग करना)। बस याद रखें कि यदि आप यह जांच नहीं करते हैं कि आप डेटा इन मान्यताओं से पूरा करते हैं या आप उनके लिए सही तरीके से परीक्षण करते हैं, तो आप जो परिणाम प्राप्त करते हैं, वह हो सकता है कि एकाधिक प्रतिगमन चलाने के बाद वैध नहीं हो। धारणा 3: आपको अवलोकन की स्वतंत्रता होनी चाहिए (अर्थात् अवशिष्टों की आजादी), जिसे आप डरबाइन-वाटसन सांख्यिकी का उपयोग करते हुए स्ताता में जांच कर सकते हैं। धारणा 4: (ए) निर्भर चर और आपके प्रत्येक स्वतंत्र चर के बीच एक रेखीय संबंध होना चाहिए, और (बी) निर्भर चर और स्वतंत्र चर सामूहिक रूप से आप स्कैटरप्लेट और आंशिक प्रतिगमन भूखंडों का उपयोग कर स्ताटा में लीनारीिटी की जांच कर सकते हैं। धारणा 5: आपके डेटा को समरूपता दिखाने की जरूरत है यह वह जगह है जहां सबसे अच्छा फिट की रेखा के साथ भिन्नता समान होती है जैसा कि आप लाइन पर चलते हैं आप निराधारित भविष्यवाणी मूल्यों के खिलाफ छात्रित अवशेषों की साजिश रचने के द्वारा स्टेटा में होमोसेडस्टक्लिटी की जांच कर सकते हैं। धारणा 6: आपके डेटा में multicollinearity नहीं दिखाना चाहिए जो तब होता है जब आपके पास दो या अधिक स्वतंत्र चर होते हैं जो एक-दूसरे के साथ अत्यधिक सहसंबद्ध होते हैं। आप इस धारणा को स्टेटा में सहसंबंध गुणांक और टॉलरेंस वीआईएफ मानों के निरीक्षण के माध्यम से देख सकते हैं। धारणा 7: कोई महत्वपूर्ण आउटलियर्स नहीं होना चाहिए। उच्च लाभ अंक या अत्यधिक प्रभावशाली अंक जो आपके डेटा सेट में अवलोकन का प्रतिनिधित्व करते हैं जो किसी असामान्य तरीके से हैं इन्हें प्रतिगमन समीकरण पर एक बहुत ही नकारात्मक प्रभाव हो सकता है जो स्वतंत्र चर के आधार पर निर्भर चर के मूल्य की भविष्यवाणी करता है। आप आउटलेटर्स, लीवरेज पॉइंट्स और स्टेटा का उपयोग करने वाले प्रभावशाली बिंदुओं की जांच कर सकते हैं। धारणा 8: अवशिष्ट (त्रुटियों) लगभग सामान्य रूप से वितरित किया जाना चाहिए। जिसे आप हिस्टोग्राम (सुपरमॉक्स्ड सामान्य वक्र के साथ) और सामान्य पी-पी प्लॉट, या स्टूटाइज्ड अवशिष्टों का सामान्य क्यू-क्यू प्लॉट का उपयोग करके स्ताट में चेक कर सकते हैं। प्रथा में, 3, 4, 5, 6, 7 और 8 की धारणाओं की जाँच करना संभवत: आपके समय के दौरान कई प्रतिगमन को ले जाएगा। हालांकि, यह एक कठिन काम नहीं है, और Stata आपको ऐसा करने के लिए आवश्यक सभी उपकरण प्रदान करता है। अनुभाग में, स्टेटा में टेस्ट प्रक्रिया हम समझाते हैं कि स्ताटा प्रक्रिया को कई प्रतिगमन करने के लिए आवश्यक है जो मानते हैं कि कोई मान्यताओं का उल्लंघन नहीं किया गया है। सबसे पहले, हम उदाहरण का प्रयोग करते हैं जो हम स्टाटा में कई प्रतिगमन प्रक्रिया को समझाने के लिए उपयोग करते हैं। स्वास्थ्य शोधकर्ता फिटनेस और स्वास्थ्य के एक संकेतक VO 2 अधिकतम की भविष्यवाणी करने में सक्षम होना चाहता है। आम तौर पर, इस प्रक्रिया को करने के लिए महंगी प्रयोगशाला के उपकरण की आवश्यकता होती है, साथ ही व्यक्तियों को उनकी अधिकतम (यानी भौतिक थकावट के चलते व्यायाम जारी नहीं रह जाने तक) की आवश्यकता होती है। यह उन व्यक्तियों को बंद कर सकता है जो बहुत सक्रिय नहीं हैं और जो बीमार स्वास्थ्य (उदाहरण के पुराने अप्रयुक्त विषयों) के उच्च जोखिम पर हैं। इन कारणों के लिए, उन विशेषताओं के आधार पर वीओ 2 अधिकतम व्यक्तियों की भविष्यवाणी करने का एक तरीका खोजने के लिए वांछनीय रहा है जिन्हें अधिक आसानी से और सस्ते में मापा जा सकता है इसके लिए, एक शोधकर्ता ने अधिकतम प्रतिभागी अधिकतम वीओ 2 परीक्षण करने के लिए 100 प्रतिभागियों की भर्ती की, लेकिन उनकी उम्र, वजन, हृदय गति और लिंग भी दर्ज किया। हार्ट रेट 20 मिनट के अंतिम 5 मिनट के औसत, बहुत आसान, कम वर्कलोड साइक्लिंग टेस्ट। शोधकर्ताओं का लक्ष्य इन चार विशेषताओं: उम्र, वजन, हृदय गति और लिंग पर आधारित वीओ 2 अधिकतम का अनुमान लगाने में सक्षम होना है। नोट: इस गाइड के लिए इस्तेमाल किया जाने वाला उदाहरण और डेटा फर्जी है हमने इन्हें इस गाइड के प्रयोजनों के लिए बनाया है। Stata In Stata में सेटअप, हमने पांच चर बनाए: (1) VO 2 max जो अधिकतम एरोबिक क्षमता है (यानी निर्भर चर) और (2) उम्र जो प्रतिभागियों की आयु है (3) वजन जो प्रतिभागियों का भार है (तकनीकी रूप से, यह उनका द्रव्यमान है) (4) दिल का दिल जो प्रतिभागियों की हृदय गति और (5) लिंग है। जो प्रतिभागियों का लिंग है (यानी स्वतंत्र चर)। इन पांच वेरिएबल्स बनाने के बाद, हमने प्रत्येक के लिए डेटा एडिटर (संपादित करें) स्प्रेडशीट के पांच कॉलम में स्कोर दर्ज किया, जैसा कि नीचे दिखाया गया है: स्टैटाकार्प एलपी से लिखित अनुमति के साथ प्रकाशित स्टेटा में टेस्ट प्रक्रिया इस खंड में, हम आपको दिखाते हैं कि पिछले डेटा में आठ धारणाएं, धारणाओं में, जब आप कई आंकड़ों का इस्तेमाल करते हैं, तो स्टैट में कई प्रतिगमन का उपयोग कैसे करें। का उल्लंघन नहीं किया गया है। आप कोड या स्टेटस ग्राफ़िकल यूजर इंटरफेस (जीयूआई) का उपयोग कर कई प्रतिगमन कर सकते हैं। आपके विश्लेषण के बाद, हम आपको दिखाते हैं कि आपके परिणामों का विवरण कैसे लें। सबसे पहले, चुनें कि क्या आप कोड या स्टेटस ग्राफ़िकल यूजर इंटरफेस (जीयूआई) का उपयोग करना चाहते हैं। आपके डेटा पर कई प्रतिगमन करने के लिए कोड प्रपत्र लेता है: रिगैग निर्भर परन्तनीय स्वतंत्र वैरिएबल 1 स्वतंत्र व्हेरिएबल 2 स्वतंत्र वारीबल 3 स्वतंत्र वैरिएबल 4 हमारे उदाहरण का उपयोग करना जहां पर निर्भर चर का VO2max है और चार स्वतंत्र चर उम्र के हैं। वजन। हृदय और लिंग आवश्यक कोड होगा: VO2max age weight heartrate i. gender नोट: आप ऊपर दिए गए कोड से देखेंगे कि निरंतर स्वतंत्र चर को बस के रूप में दर्ज किया जाता है, जबकि स्पष्ट स्वतंत्र चर में उपसर्ग I है (उदाहरण के लिए उम्र की उम्र क्योंकि यह एक है निरंतर स्वतंत्र चर, लेकिन लिंग के लिए i. gender। क्योंकि यह एक स्पष्ट स्वतंत्र चर है)। इसलिए, कोड दर्ज करें, वीओ 2 एमएक्स आयु वजन दिलाने वाला i. gender रीग्रेस्ड करें। और अपने कीबोर्ड पर ReturnEnter बटन दबाएं। आप स्टेटा आउटपुट देख सकते हैं जो यहां निर्मित किया जाएगा। ग्राफ़िकल यूजर इंटरफेस (जीयूआई) स्टेटा में कई प्रतिगमन करने के लिए आवश्यक सात कदम नीचे दिखाए गए हैं: स्टैटिक्स gt रैखिक मॉडल और संबंधित टैग लीनियर प्रतिगमन मुख्य मेनू पर क्लिक करें, जैसा कि नीचे दिखाया गया है: स्टाटाकार्प एलपी से लिखित अनुमति के साथ प्रकाशित। नोट: चिंता न करें कि आप मुख्य मेनू पर आंकड़े gt रैखिक मॉडल और संबंधित जीपी रैखिक प्रतिगमन का चयन कर रहे हैं, या जिन चरणों में दिए गए चरणों में संवाद बॉक्स शीर्षक, रैखिक प्रतिगमन हैं। आपने कोई गलती नहीं की है आप कई प्रतिगमन प्रक्रिया को पूरा करने के लिए सही जगह पर हैं यह केवल शीर्षक है जो स्टेटा देता है, भले ही एक बहु प्रतिगमन प्रक्रिया चलती हो। आपको रिगरेट के साथ प्रस्तुत किया जाएगा - रेखीय प्रतिगमन संवाद बॉक्स, जैसा कि नीचे दिखाया गया है: StataCorp LP से लिखित अनुमति के साथ प्रकाशित निर्भर चर, VO2max चुनें निर्भर चर से: बॉक्स और सतत स्वतंत्र चर का चयन करें, उम्र वेट और हार्टट्रेट स्वतंत्र वैरिएबल से: बॉक्स, ड्रॉप-डाउन बटन का उपयोग करके, नीचे दिखाया गया है: स्टाटाकार्प एलपी से लिखित अनुमति के साथ प्रकाशित स्पष्ट स्वतंत्र चर, लिंग का चयन करें। स्वतंत्र चर से: बॉक्स, पहले बटन पर क्लिक करके। यह आपको निम्न संवाद बॉक्स में पेश करेगा जहां आपके निरंतर स्वतंत्र चर (आयु वजन और हार्ट्रेट) पहले से ही वार्लिस्ट में दर्ज किए गए होंगे: बॉक्स: स्टेटाकार्प एलपी से लिखित अनुमति के साथ प्रकाशित Variablendash क्षेत्र के ndashType में चयनित फैक्टर वैरिएबल छोड़ें अगला, ndashAdd कारक variablendash क्षेत्र में, विशिष्टता में चयनित छोड़ें: बॉक्स। अब, ड्रॉप-डाउन बटन का उपयोग करके वैरिएबल बॉक्स में लिंग चुनें, और फिर बेस बॉक्स में डिफ़ॉल्ट चुनें। अंत में, बटन पर क्लिक करें आपको निम्न संवाद बॉक्स के साथ प्रस्तुत किया जाएगा जहां स्पष्ट स्वतंत्र चर, i. gender। इस Varlist में दर्ज किया गया है: बॉक्स: StataCorp LP से लिखित अनुमति के साथ प्रकाशित बटन को क्लिक करे। आपको रिगरेट में लौटा दिया जाएगा - रैखिक प्रतिगमन संवाद बॉक्स, लेकिन स्पष्ट स्वतंत्र चर, i. gender के साथ। अब स्वतंत्र चर में प्रवेश किया: बॉक्स, जैसा कि नीचे दिखाया गया है: StataCorp LP से लिखित अनुमति के साथ प्रकाशित बटन को क्लिक करे। इससे आउटपुट उत्पन्न होगा एकाधिक रिग्रेसन विश्लेषण स्टेटस के स्टेटा आउटपुट की व्याख्या और रिपोर्टिंग उपरोक्त किए गए चयनों के आधार पर कई प्रतिगमन विश्लेषण के लिए उत्पादन का एक टुकड़ा उत्पन्न करेगा, यह मानते हुए कि कई प्रतिगमन के लिए आवश्यक आठ मान्यताओं को पूरा किया गया है। निर्धारित करना कितना अच्छा है कि मॉडल आर 2 फिट बैठता है और समायोजित आर 2 का उपयोग यह निर्धारित करने के लिए किया जा सकता है कि एक प्रतिगमन मॉडल आंकड़ों में कितना अच्छा है: आर-स्क्वेर्ड पंक्ति आर 2 मान (जिसे निर्धारण के गुणांक भी कहा जाता है) का प्रतिनिधित्व करता है, जो अनुपात है आश्रित चर में भिन्नता का जो कि स्वतंत्र चर से समझाया जा सकता है (तकनीकी रूप से, यह औसत मॉडल के ऊपर और उसके बाद के अपगमन मॉडल के कारण भिन्नता का अनुपात है)। आप 0.577 के हमारे मूल्य से देख सकते हैं कि हमारे स्वतंत्र चर हमारे निर्भर चर, वीओ 2 मैक्स की परिवर्तनशीलता की 57.7 बताते हैं। हालांकि, आपको अपने डेटा की सटीकता से रिपोर्ट करने के लिए एडज आर-स्क्वेर्ड (अनु। आर 2) की व्याख्या करने में सक्षम होना चाहिए। सांख्यिकीय महत्व एफ-आरटीओ परीक्षण करता है कि क्या कुल प्रतिगमन मॉडल डेटा के लिए एक अच्छा फिट है या नहीं। आउटपुट से पता चलता है कि स्वतंत्र चर सांख्यिकीय आधार पर निर्भर चर, एफ (4, 9 5) 32.3 9, पीटीटी .0005 (यानी प्रतिगमन मॉडल डेटा का एक अच्छा फिट है) का अनुमान लगाता है। अनुमानित मॉडल गुणांक उम्र से अधिकतम VO 2 अधिकतम भविष्यवाणी करने के लिए समीकरण का सामान्य रूप। वजन। दिल की धड़कन और लिंग: भविष्यवाणी VO 2 अधिकतम 87.83 ndash (0.165 x आयु) ndash (0.385 x वजन) ndash (0.118 x हार्ट्रेट) (13.208 x लिंग) यह कोफे से प्राप्त किया गया है। स्तंभ, जैसा कि नीचे दिखाया गया है: अनिर्धारित गुणांक इंगित करते हैं कि स्वतंत्र चर के साथ निर्भर चर कितना भिन्न होता है, जब सभी अन्य स्वतंत्र चर निरंतर बनाए जाते हैं इस उदाहरण में उम्र के प्रभाव पर विचार करें निर्बाध गुणांक, बी 1 उम्र के लिए -0.165 (कोफ स्तंभ की पहली पंक्ति देखें) के बराबर है। इसका मतलब यह है कि उम्र में प्रत्येक 1 वर्ष की वृद्धि के लिए, वीओ 2 की अधिकतम 0.165 मिलीग्राम में कमी आई है। स्वतंत्र चर का सांख्यिक महत्व आप प्रत्येक स्वतंत्र चर के सांख्यिकीय महत्व के लिए परीक्षण कर सकते हैं। यह परीक्षण करता है कि क्या अप्रमाणित (या मानकीकृत) गुणांक जनसंख्या में 0 (शून्य) के बराबर हैं यदि पीटीटी .05, तो आप यह निष्कर्ष निकाल सकते हैं कि गुणांक 0 (शून्य) से सांख्यिकीय रूप से काफी अलग हैं। टी-गुण और संबंधित पी-वेल्यू क्रमशः टी और पीजीटीटी स्तंभों में स्थित हैं, जैसा कि नीचे हाइलाइट किया गया है: आप पीजीटीटी स्तंभ से देख सकते हैं कि सभी स्वतंत्र चर गुणांक 0 (शून्य) से सांख्यिकीय रूप से काफी अलग हैं। हालांकि अवरोधन, बी 0 सांख्यिकीय महत्व के लिए जांच की जाती है, यह शायद ही कभी एक महत्वपूर्ण या दिलचस्प खोज है कई प्रतिगमन विश्लेषण के उत्पादन की रिपोर्टिंग आप निम्नानुसार परिणाम लिख सकते हैं: लिंग, आयु, वजन और हृदय गति से वीओ 2 अधिकतम अनुमान लगाने के लिए एक बहु प्रतिगमन चलाया गया था। इन चर को सांख्यिकीय रूप से महत्वपूर्ण बताया गया है VO 2 max, F (4, 95) 32.3 9, पीटीटी .0005, आर 2 .577 सभी चार वैरिएबल सांख्यिकीय रूप से महत्वपूर्ण तौर पर भविष्यवाणी, पीटीटी .05 के लिए जोड़ दिए। स्टेटः डेटा विश्लेषण और सांख्यिकीय सॉफ्टवेयर उपस्कर प्रतिगमन स्ताट रिक्तिगत प्रतिगमन के सभी पहलुओं का समर्थन करता है। रिक्तिगत प्रतिगमन सुविधाओं की सूची देखें Statarsquos उपस्कर अधिकतम-संभावना dichotomous रसद मॉडल फिट बैठता है: सभी अनुमान आदेशों का सिंटैक्स समान है: निर्भर चर का नाम स्वतंत्र चर के नाम के बाद किया जाता है। इस मामले में, निर्भर चर कम (1 युक्त अगर एक नवजात शिशु के 2500 ग्राम से कम वजन का जन्म होता है और अन्यथा 0) को कई व्याख्यात्मक चर के एक समारोह के रूप में तैयार किया गया था। डिफ़ॉल्ट रूप से, तर्कसंगत रिपोर्ट बाधाओं के अनुपात लॉजिट विकल्प गुणांक रिपोर्ट करेंगे यदि आप चाहें एक बार मॉडल लगाया गया हो, तो आप स्टैटैस का अनुमान लगा सकते हैं कि एक सकारात्मक परिणाम की भविष्यवाणी की संभावनाएं, लॉगित सूचकांक का मान, या लॉगिटक इंडेक्स की मानक त्रुटि। आप एक एकल आदेश टाइप करके पीयरसन के अवशिष्ट, मानकीकृत पीयरसन अवशिष्ट, लीवरेज (टोपी मैट्रिक्स के विकर्ण तत्व), डेल्टा ची-स्क्वेर, डेल्टा डी और प्रीजीबंस डेल्टा बीटा प्रभाव उपायों को भी प्राप्त कर सकते हैं। होम्सर और लेमेसो (2000) शब्दजाल में n-asymptotic के बजाय डेटामैदाशम-असिम्पटोटिक में सभी आंकड़ों की संख्या के लिए सभी आंकड़ों को समायोजित किया जाता है। होसमेर और लेमेसोओ द्वारा सुझाए गए प्रत्येक नैदानिक ​​ग्राफ़ को स्ताटा द्वारा तैयार किया जा सकता है। इसके अलावा हॉस्टर और लेमेसो वर्गीकरण के आंकड़ों और वर्गीकरण सारणी और आरओसी वक्र के तहत एक ग्राफ और क्षेत्र द्वारा सुझाव दिया गया है, जैसे कि प्रोवेरिएट पैटर्न या समूह द्वारा परिभाषित कोशिकाओं का उपयोग करते हुए, भी फिटनेस-फिट-फिट परीक्षण उपलब्ध हैं। Statarsquos mlogit असतत निर्भर चर के साथ मॉडल की अधिकतम संभावना अनुमान करता है इसका उपयोग तब किया जाता है जब निर्भर चर दो परिणामों से अधिक होता है और परिणामों के पास प्राकृतिक आदेश नहीं होता है। विशिष्ट रूप से, गुणांक पर रेखीय बाधाएं बीजीय वाक्यविन्यास का उपयोग कर समीकरणों के भीतर और दोनों के बीच निर्दिष्ट की जा सकती हैं। बहुत सोचा है कि चहचहाना वास्तव में उपयोगी बनाने में चला गया है। उदाहरण के लिए, आश्रित चर की प्रकृति पर कोई कृत्रिम बाधाएं नहीं हैं। अभिलिखित, अनिश्चित मूल्यों जैसे कि 1, 2, और 3 पर निर्भर चर की आवश्यकता नहीं है, हालांकि इस तरह की कोडिंग स्वीकार्य होगी। समान स्वीकार्य 1, 3, और 4, या 1.2, 3.7 और 4.8 भी हो सकते हैं। Statarsquos clogit एक द्विपातिक निर्भर चर सशर्त रसद विश्लेषण के साथ अधिकतम संभावना अनुमान करता है नियमित रूप से रोधन प्रतिगमन में अलग है कि डेटा स्तरबद्ध हैं और संभावना प्रत्येक स्तर के सापेक्ष गणना की जाती है। संभावना समारोह का रूप समान है, लेकिन बहुपक्षीय रसद प्रतिगमन के समान नहीं है। सशर्त रसद विश्लेषण महामारी विज्ञान सर्किलों में मिलान किए गए केसेंडेश कॉमोल मॉडल के रूप में जाना जाता है और अर्थशास्त्री में मैकफैडन विकल्प मॉडल के रूप में जाना जाता है। आंकड़ों के रूप, साथ ही नमूने की प्रकृति, दोनों सेटिंग्स में अलग है, लेकिन क्लैगीट दोनों को हैंडल करता है। क्लॉजिट दोनों 1: 1 और 1: कश्मीर मिलान की अनुमति देता है, और यहां तक ​​कि प्रत्येक स्तर पर एक सकारात्मक परिणाम भी हो सकता है (जो सही समाधान का उपयोग किया जाता है)। Statarsquos ologit एक क्रमिक आश्रित चर के साथ मॉडल फिट करने के लिए अधिकतम संभावना अनुमान का प्रदर्शन करता है, जिसका अर्थ है एक चर है जो स्पष्ट है और जिसमें श्रेणियों को निम्न से उच्च तक ऑर्डर किया जा सकता है, जैसे कि ldquopoorrdquo, ldquogoodrdo, और ldquoexcellentrdquo नकली के विपरीत ओlogिट आकलन प्रक्रिया में आदेश का फायदा उठा सकता है। (स्ताट फेटिटिंग के लिए प्रोबिट मॉडलों के लिए उपयुक्तता प्रदान करता है।) श्लेष्म के साथ-साथ स्पष्ट निर्भर चर किसी भी मूल्य पर ले सकता है। क्लॉजिट द्वारा लगाए गए मॉडलों के सीधा वर्णन के लिए ग्रीन (2018) देखें। नकली ओगलिट और अपॉबिट सन्दर्भ ब्रेसलो, एनए। 1 9 74. सेंसर किए गए अस्तित्व के आंकड़ों के उत्तराधिकार विश्लेषण। बॉयोमीट्रिक्स 30: 89 नं। 99 ग्रीन, डब्ल्यू एच। 2018. इकोनॉमेट्रिक एनालिसिस। 7 वें संस्करण अपर सैडल नदी, एनजे: प्रेंटिस हॉल होस्मर, डी। डब्ल्यू। जूनियर एस। लेमेसो, और स्ट्रर्डिवेंट आर एक्स। 2018. एप्लाइड लॉजिस्टिक रिग्रेसन। तीसरा संस्करण न्यूयॉर्क: विले मैकफैडेन, डी। 1 9 74. गुणात्मक पसंद व्यवहार के सशर्त लॉबिट विश्लेषण। अर्थमिति में सीमाओं में ईडी। पी। ज़रेम्बका, 105 डंश 142 न्यूयॉर्क: शैक्षणिक प्रेस