Çoxnomial Logistik Regressiya | Stata Əlavə Çıxış

Bu səhifə, çıxışı izah edən dipnotları olan çoxnomial logistik reqressiya analizinin bir nümunəsini göstərir. Məlumat 200 lisey şagirdi üzərində toplandı və video oyun və tapmaca da daxil olmaqla müxtəlif testlərdəki ballardır. Bu analizdəki nəticə ölçüsü, dondurma- vanilya, şokolad və ya çiyələk kimi seçilən ləzzətdir ki, bunlardan video oyun skorları ( video), tapmaca skorları ( tapmaca) və cins ( qadın) ilə hansı əlaqələrin olduğunu görəcəyik . Bizim cavab dəyişən, ice_cream, səviyyəsi ki, ehtimal altında qəti olaraq müalicə olacaq ice_creamvar heç birtəbii sifariş və biz Stata'ya referent qrupu seçməsinə icazə verəcəyik. Məsələn, bu vanil olacaq. Varsayılan olaraq, Stata ən çox baş verən qrupu istinad qrupu olaraq seçir. Bu səhifənin birinci yarısı əmsalları multinomial log-odds (logits) baxımından şərh edir. Nəticə dəyişəninin iki səviyyəsi olan bir logistika reqressiyasında əldə edilən log-odds-ə yaxın olacaq, amma bərabər olmayacaq. İkinci yarı əmsalları nisbi risk əmsalları baxımından şərh edir.

Reqressiyanı işə salmadan əvvəl, məlumatlarda dondurma tatlarında bir tezlik əldə etmək bir referans qrupu seçimini məlumatlandıra bilər.

Vanil ən çox dondurma ləzzətidir və bu nümunədə istinad qrupu olacaq.

a. Təkrarlama jurnalı- Bu, hər bir iterasyonda log ehtimallarının siyahısıdır. Unutmayın ki, ikili və nizamlı logistika reqressiyası kimi çoxnomial logistik reqressiya, iterativ bir prosedur olan maksimum ehtimal qiymətləndirməsindən istifadə edir. İlk iterasiya (iterasiya 0 adlanır) "sıfır" və ya "boş" modelin log ehtimalıdır; yəni proqnozlaşdırıcı olmayan bir model. Növbəti iterasiyada proqnozlaşdırıcılar modelə daxil edilir. Hər bir təkrarlama zamanı, log ehtimalını artırır, çünki məqsəd log ehtimalını maksimuma çatdırmaqdır. Ardıcıl təkrarlamalar arasındakı fərq çox kiçik olduqda, modelin "yaxınlaşdığı" deyilir, təkrarlama dayanır və nəticələr göstərilir. İkili nəticələr üçün bu proses haqqında daha çox məlumat üçün, J. tərəfindən Kateqoriyalı və Məhdud Bağlı Dəyişənlər üçün Reqressiya Modellərinə baxın.Scott Long (səhifə 52-61).

Model Xülasəsi

b. Giriş ehtimalı- Bu, quraşdırılmış modelin log ehtimaldır. Modeldəki bütün proqnozlaşdırıcıların reqressiya əmsallarının eyni vaxtda sıfır olub olmadığına dair ehtimal nisbəti Chi-Square testində və iç içə modellərin testlərində istifadə olunur.

c. Obses sayı- Bu, multinomial logistik reqressiyada istifadə olunan müşahidələrin sayıdır. Tənlikdə bəzi dəyişənlər üçün dəyərlər çatışmırsa, bu verilənlər bazasındakı halların sayından az ola bilər. Varsayılan olaraq, Stata natamam halların siyahı əsasında silinməsini həyata keçirir.

d. LR chi2 (6)-Bu, hər iki tənlik üçün (vaniliyə nisbətən şokolad və vanilə nisbətən çiyələk) ən çox ehtimal olunanların reqressiya əmsalının sıfıra bərabər olmadığı Likelihood Ratio (LR) Chi-Square testidir. Mötərizədə olan rəqəm, LR Chi-Square statistikasını sınamaq üçün istifadə edilən Ki-Kvadrat paylanmasının sərbəstlik dərəcələrini göstərir və modeldəki (3) proqnozlaşdırıcıların sayından (2) dəfə çox olan modellərin sayı ilə müəyyən edilir. LR Chi-Square statistikası -2*(L (null model)-L (quraşdırılmış model)) = -2*((-210.583)-(-194.035)) = 33.096 ilə hesablana bilər, burada L (null model) yalnız modeldəki cavab dəyişənliyi olan log ehtimalından (İterasiya 0) və L (quraşdırılmış model) bütün parametrləri olan son iterasyondan (model yaxınlaşdıqda) log ehtimaldır.

e. Problem>chi2- Bu, sıfır fərziyyəsi altında müşahidə edilən statistikadan daha çox həddindən artıq dərəcədə bir LR testi statistikasına sahib olma ehtimalıdır; sıfır hipotezi, hər iki modeldəki bütün reqressiya əmsallarının eyni anda sıfıra bərabər olmasıdır. Başqa sözlə, proqnozlaşdırıcı dəyişənlərin heç bir təsiri olmadığı təqdirdə, bu xi-kvadrat statistikasını (33.10) və ya daha bir həddini əldə etmək ehtimalı. Bu p dəyəri, adətən 0.05 və ya 0.01 olaraq təyin olunan bir tip I səhvini qəbul etmək istəyimiz müəyyən bir alfa səviyyəsi ilə müqayisə edilir. LR testindən chi2 (6).

f. Pseudo R2-Bu McFaddenin yalançı R kvadratıdır. Logistik reqressiyanın OLS reqressiyasında olan R-kvadratına ekvivalenti yoxdur; lakin, bir çox insanlar biri ilə gəlmək üçün çalışmışıq. Yalançı R-kvadrat statistikasının geniş çeşidi var. Bu statistika OLS regresiyasında R-kvadratının nə demək olduğunu ifadə etmədiyi üçün (proqnozlaşdırıcılar tərəfindən izah edilən cavab dəyişəninin dispersiya nisbəti) bu statistikanı çox ehtiyatla şərh etməyi təklif edirik.

Parametr təxminləri

g. ice_cream- Bu multinomial logistik reqressiyadakı cavab dəyişicisidir. Ice_cream -inaltında , təxmin edilən iki modeli təmsil edən proqnozlaşdırıcı dəyişənlərin iki nüsxəsivar: vanilənisbətən şokolad və vanilə nisbətən çiyələk.

h və i. Qəhvə.referent qrupu- Bunlar model üçün təxmin edilən çoxnomial logistik reqressiya əmsalları və istinad səviyyəsidir. Multinomial logit modelinin əhəmiyyətli bir xüsusiyyəti k-1modellərini təxmin etməsidir , burada knəticə dəyişəninin səviyyələrinin sayıdır. Bu vəziyyətdə, Stata, varsayılan olaraq, vanili referent qrup olaraq təyin etdi və buna görə vanilya nisbətən şokolad modelini və vanilə nisbətən çiyələk üçün bir model təxmin etdi. Parametr qiymətləndirmələri referent qrupa nisbi olduğu üçün, multinomial logitin standart təfsiri, proqnozlaşdırıcı dəyişəndə ​​vahid dəyişikliyi üçün mnəticəsinin logitidir.Referent qrupa nisbətən, modeldəki dəyişənlərin sabit saxlanılması nəzərə alınmaqla, müvafiq parametr qiymətləndirməsinin (log-odds ədədlərdə) dəyişməsi gözlənilir.

vanilə nisbətən şokolad

video- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, vaniliyə nisbətən şokolad üçün videohesabının bir vahid artımına dair çoxşaxəli məntiq qiymətləndirməsidir . Bir mövzu videohesabını bir pillə artırsaydı, şokoladın vanilliyə üstünlük vermə ehtimalının modelin bütün digər dəyişənlərini sabit saxlayarkən 0.024 ədəd azalacağı gözlənilir.

tapmaca- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, vaniliyə nisbətən şokolad üçün tapmacanınbir vahid artması üçün çoxfunksiyalı məntiq qiymətləndirməsidir . Bir mövzu tapmacahesabını bir bal artırsaydı, şokoladın vaniliyə üstünlük vermə ehtimalının model sabitindəki bütün dəyişənləri saxlayarkən 0.039 ədəd azalacağı gözlənilir.

dişi- Bu modeldəki digər dəyişənlərin sabit olduğu nəzərə alınmaqla, vaniliyə nisbətən qadınları kişilərlə şokolad üçün müqayisə edən çoxşaxəli məntiq qiymətləndirməsidir. Modeldəki bütün digər proqnozlaşdırıcı dəyişənlərin sabit saxlanılması nəzərə alınmaqla, qadınlar üçün kişilərə nisbətən multinomial logit, şokoladın vaniliyə üstünlük verməsi üçün 0.817 ədəd daha yüksəkdir. Başqa sözlə, qadınlar kişilərdən daha çox şokoladı vanildən üstün tuturlar.

_cons- Modeldəkiproqnozlaşdırıcı dəyişənlər sıfırda qiymətləndirildikdə, vanil ilə müqayisədə şokolad üçün çoxşaxəlilogit təxminidir. Sıfır videotapmacaskorları olan kişilər üçün (dəyişən qadınsıfırda qiymətləndirilir) şokoladı vanilidən üstün tutmaq üçün logit 1.912 -dir. Qeyd edək ki, videotapmacanısıfırda qiymətləndirmək inandırıcı ballar aralığından kənardadır. Skorlar orta mərkəzli olsaydı, kəsilmənin təbii bir təfsiri olardı: orta videotapmacabalları olan bir kişi üçün şokoladı vanilidən üstün tutma ehtimalı .

vanilə nisbətən çiyələk

video- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, çiyələk üçün çiyələk üçün videohesabının bir vahid artımına dair çoxşaxəli logit qiymətləndirməsidir . Bir mövzu, videohesabını bir pillə artırsaydı, çiyələyi vanilin üstün tutmaq üçün çoxfunksiyalı log-odds modelin bütün digər dəyişənlərini saxlayarkən 0.023 ədəd artacağı gözlənilir.

puzzle- Bu bir vahid artım multinomial logit təxmin edir puzzledaimi keçirilir model digər dəyişənlərin verilmiş, vanil üçün çiyələk nisbətən üçün hesab. Bir mövzu tapmacahesabını bir pillə artırsaydı, çiyələyi vanilliyə üstünlük vermə ehtimalının modelin bütün digər dəyişənlərini saxlayarkən 0.043 ədəd artacağı gözlənilir.

dişi- Modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, vaniliyə nisbətən qadınları kişilərlə çiyələk üçün müqayisə edən çoxşaxəli məntiq qiymətləndirməsidir. Modeldəki bütün digər proqnozlaşdırıcı dəyişənlərin sabit saxlanılması nəzərə alınmaqla, qadınlar üçün kişilərə nisbətən multinomial logit, çiyələyin vanilə üstünlük verməsi üçün 0.033 vahid aşağıdır. Başqa sözlə, kişilər qadınlardan daha çox çiyələkli dondurmanı vanil dondurmasından üstün tuturlar.

_cons- Modeldəkiproqnozlaşdırıcı dəyişənlər sıfırda qiymətləndirildikdə çiyələyin vanilə nisbətən çoxşaxəlilogit qiymətləndirməsidir. Sıfır videotapmacaskorları olan kişilər üçün (dəyişən qadınsıfırda qiymətləndirilir) çiyələyi vaniliyə üstünlük verməsi -4.057 -dir.

j. Std. Səhv.- Bunlar təxmin edilən iki müvafiq model üçün fərdi reqressiya əmsallarının standart səhvləridir. Həm ztesti statistikasının hesablanmasında, həm üst sətir k -də, həm də reqressiya əmsalının inam intervalında, üst sətir l -də istifadə olunur.

k. zP>| z |- Test statistikası z Coefnisbətidir .üçün Std. Səhv.müvafiq proqnozlaşdırıcının və p-dəyəri P>| z | ztesti statistikasının (və ya daha ifrat bir test statistikasının) sıfır hipotezi altında müşahidə olunmaehtimalıdır . Verilmiş bir alfa səviyyəsi üçün zP>| z |Qalan proqnozlaşdırıcıların modeldə olması nəzərə alınmaqla, müəyyən bir proqnozlaşdırıcının reqressiya əmsalının sıfır olduğu sıfır hipotezinin rədd edilə biləcəyini müəyyənləşdirin. Əgər P>| z |alfadan azdırsa, sıfır hipotezi rədd edilə bilər və parametr alqı -satqısı bu alfa səviyyəsində əhəmiyyətli sayılır. Zdəyər ki, iki tərəfli alternativ fərziyyə qarşı test üçün istifadə olunan standart normal paylanma belə Coef.sıfıra bərabər deyil. Multinomial logistik reqressiyada, bir parametr qiymətləndirməsinin əhəmiyyətinin təfsiri, parametr qiymətləndirməsinin hesablandığı modellə məhdudlaşır. Məsələn, vanilin modelinə nisbətən şokoladdakı bir parametr qiymətləndirməsinin əhəmiyyətini çiyələyin vanil modelinə nisbətən tutduğunu güman etmək olmaz.

vanilə nisbətən şokolad

Vaniliyə nisbətən şokolad üçün, proqnozlaşdırıcı videoüçün ztest statistikası (-0.024/0.021) 0.261 ilə əlaqəli p-dəyəri ilə -1.12-dir. Biz 0.05 üçün alfa səviyyəsi müəyyən, biz null hipotez rədd və vanil şokolad nisbətən üçün bağlamaq üçün uğursuz ki, üçün reqressiya əmsalı Videonusıfır verilmiş olan statistik fərqli olduğu təsbit olunmayıb puzzleqadınmodel var. Vaniliyə nisbətən şokolad üçün, proqnozlaşdırıcı tapmacanın ztest statistikası

(-0.039/0.020), əlaqəli p-dəyəri 0.046 olan -1.99-dur. Biz yenidən 0.05 üçün alfa səviyyəsi müəyyən, biz null hipotez rədd və reqressiya əmsalı ki, bağlamaq olardı puzzleki, verilmiş vanil şokolad nisbi üçün sıfırdan statistik fərqli olduğu təsbit edilmişdir videoqadınmodel var.

Vaniliyə nisbətən şokolad üçün, proqnozlaşdırıcı qadınüçün ztest statistikası (0.817/0.391) 0.09 ilə əlaqəli p-dəyəri ilə 2.09-dur. Yenidən alfa səviyyəmizi 0,05 olaraq təyin etsək, sıfır fərziyyəni rədd edər və şokolad üçün kişilərlə qadınlar arasındakı fərqin vanil ilə müqayisədə statistik olaraq fərqli olduğu qənaətinə gələ bilərik.modeldə videoqadınvar. Vanilə

nisbətən şokolad üçün, kəsilməüçün ztest statistikası, _cons( 1.912/1.127), əlaqəli p-dəyəri 0.090 olan 1.70-dir. Alfa səviyyəsi 0.05 olduqda, sıfır fərziyyəni rədd edə bilmərik və a) kişilər üçün multinomial logitin (dəyişən qadınsıfırda qiymətləndirilir) və vaniliyə nisbətən şokoladda sıfır videotapmacaskorlarının olmadığı təsbit edilir. statistik olaraq sıfırdan fərqli; və ya b) sıfır videotapmacaolan kişilər üçünSkorlar, onların şokolad və ya vaniliyə üstünlük verilməsi kimi təsnif olunma ehtimallarının daha çox olub -olmadığını müəyyən etmirsiniz. _Cons -umüəyyən bir əlaqəliprofil olaraq gördüyümüzzaman ikinci şərh edə bilərik (sıfır videotapmacapuanları olan kişilər ). Katsayınınistiqamətinə və əhəmiyyətinə əsaslanaraq, _consprofilin digər səviyyəyə nisbətən nəticə dəyişənlərinin bir səviyyəsində təsnif edilməmeylinin daha yüksək olub olmadığını göstərir.

vanilə nisbətən çiyələk

Vanilə nisbətən çiyələk üçün, proqnozlaşdırıcı videoüçün ztest statistikası (0.023/0.021), əlaqəli p-dəyəri 0.272 olan 1.10-dur. Biz 0.05 üçün alfa səviyyəsi müəyyən, biz null hipotez rədd və vanil üçün çiyələk nisbətən üçün bağlamaq üçün uğursuz ki, üçün reqressiya əmsalı Videonusıfır verilmiş olan statistik fərqli olduğu təsbit olunmayıb puzzleqadınmodel var. Vanil ilə müqayisədə çiyələk üçün zproqnozu tapmacanınstatistikası

(0.043/0.020), əlaqəli p-dəyəri 0.031 olan 2.16-dır. Biz yenidən 0.05 üçün alfa səviyyəsi müəyyən, biz null hipotez rədd və reqressiya əmsalı ki, bağlamaq olardı puzzleki, verilmiş vanil üçün çiyələk nisbi üçün sıfırdan statistik fərqli olduğu təsbit edilmişdir videoqadınmodel var. Vanilə

nisbətən çiyələk üçün, proqnozlaşdırıcı qadınüçün ztest statistikası (-0.033/0.350) 0.925 ilə əlaqəli p-dəyəri ilə -0.09-dur. Yenidən alfa səviyyəmizi 0,05 olaraq təyin etsək, sıfır fərziyyəni rədd edə bilmərik və vanil ilə müqayisədə çiyələk üçün qadınlarüçün reqressiya əmsalının olduğu qənaətinə gələ bilərik.sıfır verilmiş olan statistik fərqli olduğu təsbit olunmayıb puzzlevideomodel var. Vanilə

nisbətən çiyələk üçün, kəsməüçün ztest statistikası, _cons(-4.057/1.223) -3.32, əlaqəli p-dəyəri 0.001. 0.05 bir alfa səviyyəsi ilə, biz) kişilərdə multinomial LogIT (null hipotez rədd və bir bağlamaq olardı dəyişən qadınsıfır) və sıfır ilə qiymətləndirdi videopuzzlevanil sıfırdan statistik fərqlidir üçün çiyələk nisbətən puanları; və ya b) sıfır videotapmacaolan kişilər üçünÇiyələk və ya vaniliyə üstünlük verən kimi təsnif olunma ehtimalı arasında statistik olaraq əhəmiyyətli bir fərq var .Belə bir kişinin çiyələkdən daha çox vanilya üstünlük verməsi təsnif edilir. _Cons -umüəyyən bir əlaqəliprofil olaraq gördüyümüzzaman ikinci şərh edə bilərik (sıfır videotapmacapuanları olan kişilər ). Katsayınınistiqamətinə və əhəmiyyətinə əsaslanaraq, _consprofilin digər səviyyəyə nisbətən nəticə dəyişənlərinin bir səviyyəsində təsnif edilməmeylinin daha yüksək olub olmadığını göstərir.

l. [95% Konf. Aralıq]- Bu, digər proqnozlaşdırıcıların referent qrupa nisbətən mnəticəsi modelində olması nəzərə alınmaqla fərdi çoxnomial logit reqressiya əmsalı üçün Etibar Aralığıdır (CI) . 95% güvən səviyyəsi olan müəyyən bir proqnozçu üçün, "həqiqi" populyasiyalı multinomial logit reqressiya əmsalının referent qrupa nisbətən mnəticəsi üçün intervalın aşağı və yuxarı həddi arasında olduğuna 95% əmin olduğumuzu söyləyərik. . Coefolaraq hesablanır .(z α/2 )*( Std.Err.), burada z α/2 standart normal paylanmada kritik dəyərdir. CI, z -yəbərabərdirtest statistikası: CI sıfır ehtiva edərsə, digər proqnozlaşdırıcıların modeldə olduğu üçün müəyyən bir reqressiya əmsalının sıfır olduğu hipotezini rədd edə bilmərik. CI -nin bir üstünlüyü onun təsviri olmasıdır; "doğru" parametrinin yerləşə biləcəyi bir sıra təmin edir.

Nisbi risk əmsalının təfsiri

Aşağıdakı nisbi risk nisbətləri baxımından multinomial lojistik reqressiyanın təfsiridirvə çox modelli logit modelini işlədikdənsonra mlogit, rrrvə ya tam model göstərildikdə rrrseçimini göstərməklə əldə edilə bilər . Şərhin bu hissəsi aşağıdakı çıxışa aiddir.

a. Nisbi Risk Oranı- Bunlar əvvəllər göstərilən multinomial logit modeli üçün nisbi risk nisbətləridir. Onlar multinomial logit əmsalları, e eksponent ilə əldə edilə bilər Coef, və ya ifadə edərək rrrzaman seçimi mlogitəmr verilir. Xatırladaq ki, çoxnomial logit modeli k-1 modellərini təxmin edir, burada k-ci tənlik referent qrupa nisbətəndir. Bir əmsalın RRR, müqayisə qrupunda nəticənin referent qrupda düşmə riski ilə müqayisədə düşmə riskinin, söz mövzusu dəyişənlə birlikdə necə dəyişdiyini göstərir. RRR>1, müqayisə qrupunda nəticənin referent qrupda düşmə riskinə nisbətən düşmə riskinin dəyişən artdıqca artdığını göstərir. Başqa sözlə, müqayisə nəticəsi daha çox ehtimal olunur. RRR

vanilə nisbətən şokolad

video- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, şokoladın vaniliyə üstünlük verilməsi üçün videohesabında bir vahid artım nisbi risk nisbətidir . Bir mövzu, videohesabını bir vahid artırsaydı, modeldəki digər dəyişənlər sabit saxlanıldıqda, şokoladı vaniliyə üstünlük vermə nisbi riskinin 0.977 dəfə azalacağı gözlənilir. Beləliklə, videodabir vahid artım nəzərə alınmaqla , modeldəki digər dəyişənlər sabit qaldıqda şokolad qrupunda olma nisbi riski 0.977 qat daha çox olardı. Ümumiyyətlə, deyə bilərik ki, bir mövzu onun videosunu artırsaydıhesab etsək, şokoladlı dondurmadan daha çox vanil dondurmasına üstünlük verəcəyini gözləyərdik.

tapmaca- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, şokoladın vanilyaya üstünlük verməsi üçün tapmacanınbir vahid artması üçün nisbi risk nisbətidir . Bir mövzu tapmacahesabını bir vahid artırsaydı, modeldəki digər dəyişənlər sabit saxlanılarkən şokoladı vaniliyə üstünlük vermə nisbi riskinin 0.962 dəfə azalacağı gözlənilir. Ümumiyyətlə, deyə bilərik ki, əgər iki mövzu eyni videoskoruna sahib olsa və hər ikisi qadın (və ya hər ikisi kişi) olarsa , daha yüksək tapmacabalı olan subyektin şokoladlı dondurma ilə müqayisədə daha aşağı tapmacalımövzuya nisbətən vanil dondurmasını üstün tutması mümkündür. hesab.

dişi- Modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, şokoladın vaniliyə üstünlük verməsi üçün qadınları kişilərlə müqayisə edən nisbi risk nisbətidir. Kişilərə nisbətən qadınlar üçün, modeldəki digər dəyişənlər sabit saxlanıldıqda, vaniliyə nisbətən şokolad seçmək nisbi riskinin 2.263 dəfə artacağı gözlənilir. Başqa sözlə, qadınlar kişilərdən daha çox vanil dondurmasından daha çox şokoladlı dondurmaya üstünlük verirlər.

vanilə nisbətən çiyələk

video- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, çiyələyin vanilə üstünlük verilməsi üçün videohesabında bir vahid artım nisbi risk nisbətidir . Bir mövzu, videohesabını bir vahid artırsaydı, modeldəki digər dəyişənlər sabit saxlanıldıqda, vanil ilə müqayisədə çiyələk nisbi riskinin 1.023 dəfə artacağı gözlənilir. Ümumiyyətlə, deyə bilərik ki, bir mövzu videohesabını artırsa , vanil dondurmasından daha çox çiyələkli dondurmaya üstünlük verəcəyini gözləyərdik.

tapmaca- Bu , modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, çiyələyin vanilyaya üstünlük verməsi üçün tapmacanınbir vahid artması üçün nisbi risk nisbətidir . Bir mövzu tapmacahesabını bir vahid artırsaydı, modeldəki digər dəyişənlərin sabit saxlanıldığı halda çiyələk üçün vanilə nisbətən nisbi riskin 1.043 qat artacağı gözlənilir. Ümumiyyətlə, deyə bilərik ki, əgər iki mövzu eyni videoskorlarına sahib olsa və hər ikisi qadın (və ya hər ikisi kişi) olsaydı , daha yüksək tapmacabalı olan subyekt daha aşağı bulmacalımövzuya nisbətən çiyələkli dondurmanı vanil dondurmasından üstün tutar. hesab.

dişi- Bu, modeldəki digər dəyişənlərin sabit saxlanıldığı nəzərə alınmaqla, vaniliyə nisbətən qadınları və kişiləri çiyələklə müqayisə edən nisbi risk nisbətidir. Kişilərə nisbətən qadınlar üçün, modeldəki digər dəyişənlər sabit saxlanıldıqda, çiyələyi vanilliyə üstünlük vermə nisbi riskinin 0.968 dəfə azalacağı gözlənilir. Başqa sözlə, qadınlar kişilərə nisbətən vanil dondurmasından daha çox çiyələkli dondurmaya üstünlük verirlər.

b. [95% Konf. Aralıq]- Modeldəki digər proqnozlaşdırıcılar nəzərə alınmaqla nisbi risk nisbəti üçün CI -dir. 95% güvən səviyyəsi olan müəyyən bir proqnozçu üçün, nəticəni m-ni referent qrupla müqayisə edən "həqiqi" əhali nisbi risk nisbətinin aralığın aşağı və yuxarı həddi arasında olduğuna 95% əmin olduğumuzu söyləyərik . CI -nin bir üstünlüyü onun təsviri olmasıdır; "doğru" nisbi risk nisbətinin yerləşə biləcəyi bir sıra təmin edir.