La regresión logística binaria requiere que la variable dependiente solo pueda ser de 2 elementos, que se pueden codificar en caliente como 0 o 1 según Python.
Después de confirmar los posibles factores de influencia, se realizó un análisis de regresión Logit binario. Para los resultados del modelo, macroscópicamente hablando, primero necesitamos ver si una pregunta es significativa, si es significativa, significa que la pregunta tiene un impacto en Y. Específicamente, si se trata de un impacto positivo o un impacto negativo, debe explicarse junto con el valor del coeficiente de regresión correspondiente. Si el valor del coeficiente de regresión es mayor que 0, indica un impacto positivo; de lo contrario, indica un impacto negativo.
Si el modelo es significativo se puede analizar a partir de los aspectos de "resultados de la prueba de razón de verosimilitud del modelo" y "prueba de aptitud".
Resultados de la prueba de la razón de verosimilitud del modelo
Compruebe si el valor de p es inferior a 0,05, si el valor es inferior a 0,05, significa que el modelo es válido, de lo contrario, significa que el modelo no es válido, de la tabla anterior, se puede ver que p < 0,05 , entonces significa que al construir el modelo esta vez, las variables independientes ingresadas son válidas, esta construcción del modelo es significativa. Luego verifique el ajuste.
Prueba de bondad de ajuste
La hipótesis original de la prueba HL es: el valor de ajuste del modelo es consistente con el valor observado, si el valor de p es mayor a 0.05, significa que se pasa la prueba HL, de lo contrario, significa que el modelo no pasa la prueba HL y el ajuste del modelo es deficiente.