3 ロジスティック回帰分析とは 多変量解析法のひとつ ・目的変数が質的変数で、名義尺度の時使用 次のような際に用いられる。 ・比率のデータを目的変数として回帰分析を 新規登録・ログインgooIDで新規登録・ログイン公式facebook公式twittergooIDで新規登録・ログイン外部サービスのアカウントで※各種外部サービスのアカウントをお持ちの方はこちらから簡単に登録できます。まだ会員でない方、会員になると
ロジスティクスとは、必要とされているものを、必要なときに、必要な場所に、必要な量だけ、供給する仕組みのことです。この考え方は多品種少量消費の市場に対しても有効に働きます。ロジスティクスと物流の違いは、まさにこの点にあります。 「ロジスティック回帰分析」とは、ある現象の発生確率を、複数の因子の組み合わせとそれらの程度からモデル化する方法の1つです。ロジスティック回帰分析とは？から、分析の具体例、結果を理解するためのオッズやオッズ比、重回帰分析との違いは？ 「お探しのQ&Aが見つからない時は、教えて!gooで質問しましょう！専門家※過去一週間分の回答数ランキングです。この専門家の回答をチェックこの専門家の回答をチェックこの専門家の回答をチェック4この専門家の回答をチェック5この専門家の回答をチェック新規登録・ログインgooIDで新規登録・ログインおすすめ情報
ロジスティクスの研究はランバート(2000)はロジスティクス活動として以下の14点を挙げる。 Q&Aの参照履歴新規登録・ログインgooIDで新規登録・ログインおすすめ情報 ロジスティクス(logistics)とは、軍事用語で兵站(へいたん)のという意味の言葉です。兵站とは、戦地において装備品や食料、修理、人などを管理運用する部署のことです。つまり、戦地におけるモノや人の流れを取り仕切る役割という、非常に重要な業務を担う部署ということになります。このロジスティクスが、ビジネス戦略に使われるようになったのが現在の「ロジスティクス」という言葉の始まりです。ビジネス用語やIT用語でのロジスティクスとは、製品の原材料調達の調達、生産、そしてエンドユ… 「ロジスティック回帰分析」を使うことになったんだけど、ロジスティック回帰分析ってなに？どんな例があるの？サクッと簡単にできるソフトってないの？など思われるも多いかもしれません。 ロジスティック回帰分析をサクッと簡単に実行できるソフトなどないの？ってあなたはこちらをどうぞ↓『「 今回は、ロジスティック回帰分析とは？というところから、具体例やオッズ比、重回帰分析との違いなどを、サクッとわかりやすいようにまとめました。本記事の概要一言でいうと、ある現象の発生確率を、複数の因子の組み合わせとそれらの程度からモデル化する方法です。でもこれだけだと、ん？なにそれ？ってなりますよね。なので、順を追って説明しますね。 ある現象の発生確率 p(X) を調べたいとします。その原因になりそうなもの（因子・変数・説明変数・独立変数などと呼ばれます）x1, x2,・・・xn を考えます。（因子をまとめて、x = (x1, x2, ・・・, xn) と書きます） この現象を、因子が起こったときの条件付き確率として考えると、p(X) = Probability( 発生 | x )と表現できます。 また、関数 F(x1, x2, ・・・, xn) を使って、p(X) = Probability( 発生 | x ) = F (x1, x2, ・・・, xn)とすると、 F で p(X) をモデル化するとよさそうです。 ロジスティック回帰分析では、この関数 F にロジスティック関数を使います。 ロジスティック関数 f は、一般に、r を変数として、f = 1 / (1 + exp( – r ) )という形をしています。 今回の変数は、x1, x2, ・・・, xn の因子群（変数・説明変数・独立変数）です。これをZ = β0 + β1*x1 + β2*x2 + ・・・ + βn*xnの線形結合に合成して、F = 1 / (1 + exp( – Z ) )として発生確率をモデル化します。なので、ロジスティック回帰分析では、ロジスティック関数を通じて、因子群と発生確率を結びつけています。ちなみに、β0, β1, ・・・ , βn は、回帰係数と呼ばれます。 このロジスティック回帰モデルをデータから推定することをロジスティック回帰分析といいます。分析によって回帰係数が求まり、因子の影響と発生確率の関係を知ることができるわけです。 ロジスティック回帰分析の例としては、「フラミンガム研究」が有名です。フラミンガム研究は、1948年にアメリカ・フラミンガムで始まった疫学研究で、冠状動脈性疾患のリスク因子につい調べた研究です。多くの病気の原因はといった特徴があります。健康な人・患者さんのどちらにも原因があり、その組み合わせや原因の程度も様々だと考えます。その中で、どんな人が発症する確率が高いかを研究しました。フラミンガムの研究では、原因（因子）には、年齢・血清コレステロール・収縮期血圧・相対体重・ヘモグロビン・喫煙・心電図所見の７つが検討され、これらの原因への曝露と、発症の割合について、ロジスティック回帰分析によってモデル化されました。そして、得られた回帰係数などの情報から、年齢・コレステロール・血圧が高いほど、発症リスクが高くなる、といったことがわかりました。このフラミンガムの研究によって、ロジスティック回帰分析の有用性が示されたとも言えます。 効果的な予防ができそうだね〜自分のデータでも使える方法だ！回帰係数を求めればいいんだね〜 と思われた方も多いかと思います。たしかに回帰係数の情報は役に立ちますが、個々の因子の影響の大きさを評価しているわけではないんです。なので、 それぞれの因子の影響の大きさはどのくらいなの？ に答えることができるとさらにいいですよね。フラミンガムの研究でいえば、年齢・コレステロール・血圧のどれが１番影響するの？といったように、個々の因子の影響の大きさを知りたいわけです。各因子それぞれの影響を表現するものが「オッズ比」になります。 いきなりですが、以下の２つを考えてみます。発生確率 p(X) = 1 / (1 + exp( – Z ) )発生しない確率 1 – p(X) = exp( – Z ) / (1 + exp( – Z ) ) 発生する確率と発生しない確率の比を「p(X) / 1 – p(X) = exp( Z )= exp (β0 + β1*x1 + β2*x2 + ・・・ + βn*xn) ここで、AとBで、因子 x1 がそれぞれ200と180だったときに、AとBのオッズを考えてみます。（他の変数はすべて同じだと仮定します）オッズA = p(XA) / 1 – p(XA)= exp (β0 + β1*200 + β2*x2 + ・・・ + βn*xn) ・・・①オッズB = p(XB) / 1 – p(XB)= exp (β0 + β1*180 + β2*x2 + ・・・ + βn*xn) ・・・② ①、②でどの程度違うか調べるために、オッズの比（オッズA / オッズB= exp (β0 + β1*200 + β2*x2 + ・・・ + βn*xn) / exp (β0 + β1*180 + β2*x2 + ・・・ + βn*xn)と書けます。これを計算すると、オッズA / オッズB= exp { β1*(200-180) }= { exp (β1) }^20 （exp( β1 ) の２０乗）となります。他の因子の影響が消えているところがポイントになります。オッズ比をとると、１つの因子の影響を調べることができるわけです。ロジスティック回帰分析の結果から、β1は分かっているので、フラミンガムの研究でいうと、血圧が200と180の人では、オッズ比が { exp (β1) }^20 違う、というように、定量的に表現できるようになります。このように、オッズ比の意味は、各因子が調べたい発生確率に対する影響の大きさ、ということになります。 ちなみに、オッズのlogをとると、以下のようになります。log {p(X) / 1 – p(X) }= β0 + β1*x1 + β2*x2 + ・・・ + βn*xn右辺を見てみると、重回帰分析と同じ形になっていますよね！ロジスティック回帰分析は、ロジスティック関数を使うことと、みかけ上「回帰」分析に似てる分析方法ということで、ロジスティック回帰分析と呼ばれています。 重回帰分析では、誤差の分布に正規分布を仮定していたり、分散が均一であることを仮定しています。それに対して、ロジスティック回帰分析ではその仮定がありません。データの誤差が正規分布にならなかったり、分散が均一でないデータでも扱うことができるのがメリットになります。 というわけで、本記事では、などをまとめました。ロジスティック回帰分析をサクッと簡単に実行できるソフトなどないの？ってあなたはこちらをどうぞ↓『「 「回帰分析」や「重回帰分析」の、わかりやすい「やり方」や「具体例」など知りたいあなたはこちらもどうぞ↓『 ロジスティック回帰分析ができる（フリー）ソフト（エクセル、R、SPSS、SAS、 JMP） などの特徴を比較したいあなたはこちらをどうぞ↓『 「『 こんにちは、管理人の『SUNSHINE』 です。ご訪問ありがとうございます。読書が好きで、多くの本に目を通しています。大量の書籍の中から読んで役に立った本、おすすめできる本を紹介して、読者の方が知ってよかった１冊に効率良く出会ってもらえたらと考えています。プログラミングと料理が好きです。３，４年前の Coursera の Machine Learning 修了以来、面白くて統計・機械学習・人工知能も学んでいます。今は脳や数学、物理を学ぶのも楽しいです。本ブログでは、学んだこと、使ってよかった品物などを分かりやすくまとめて、忙しいあなたの暮らしがより快適になればと考えています♪ブログの更新情報など、最新情報は以下のTwitter, Feedlyなどでも受け取れます！よかったらフォローお願いします♪こんにちは、管理人の『SUNSHINE』 です。ご訪問ありがとうございます。読書が好きで、多くの本に目を通しています。大量の書籍の中から読んで役に立った本、おすすめできる本を紹介して、読者の方が知ってよかった１冊に効率良く出会ってもらえたらと考えています。プログラミングと料理が好きです。３，４年前の Coursera の Machine Learning 修了以来、面白くて統計・機械学習・人工知能も学んでいます。今は脳や数学、物理を学ぶのも楽しいです。本ブログでは、学んだこと、使ってよかった品物などを分かりやすくまとめて、忙しいあなたの暮らしがより快適になればと考えています♪ブログの更新情報など、最新情報は以下のTwitter, Feedlyなどでも受け取れます！よかったらフォローお願いします♪ あなたへのお知らせ