FME Models Lineals GeneralitzatsTEMA 5: RESP. POLITÓMICA. EJEMPLO 6 (MADSEN-76, AGRESTI-90)Variable Value Countsatisfac low 567 (Reference Event)medium 446high 668Total 1681 Frequency: nLogistic Regression TableOdds 95% CIPredictor Coef SE Coef Z P Ratio Lower UpperLogit 1: (medium/low)Constant -0,4192 0,1729 -2,42 0,015housingapartments -0,4357 0,1725 -2,53 0,012 0,65 0,46 0,91atrium 0,1314 0,2231 0,59 0,556 1,14 0,74 1,77terraced -0,6666 0,2063 -3,23 0,001 0,51 0,34 0,77influenchigh 0,6649 0,1863 3,57 0,000 1,94 1,35 2,80medium 0,4464 0,1416 3,15 0,002 1,56 1,18 2,06contacthigh 0,3609 0,1324 2,73 0,006 1,43 1,11 1,86Logit 2: (high/low)Constant -0,1387 0,1592 -0,87 0,384housingapartments -0,7356 0,1553 -4,74 0,000 0,48 0,35 0,65atrium -0,4080 0,2115 -1,93 0,054 0,66 0,44 1,01terraced -1,4123 0,2001 -7,06 0,000 0,24 0,16 0,36influenchigh 1,6126 0,1671 9,65 0,000 5,02 3,61 6,96medium 0,7349 0,1369 5,37 0,000 2,09 1,59 2,73contacthigh 0,4818 0,1241 3,88 0,000 1,62 1,27 2,07πlogππlogπLog-likelihood = -1735,042 Test that all slopes are zero: G = 178,794; DF = 12; P-Value = 0,000Goodness-of-Fit TestsMethod Chi-Square DF PPearson 38,910 34 0,258Deviance 38,662 34 0,267ijk 2ijk1α12ijk 3ijk1α= θ132= β+ α123= β13i2= γ= θ + αi3+ β12= γ13=+ β=j20j30+ γ+ γk 2k 3Prof. Lídia Montero Pàg. 5-36 Curs 2.006-2.007
FME Models Lineals GeneralitzatsTEMA 5: RESP. POLITÓMICA. EJEMPLO 6 (MADSEN-76, AGRESTI-90)Modelo p Devianza oLog-Verosimilitud0 1 2 ¿?Análisis de la Devianza∆ Devianza g.l.ContrasteComentariosH0 Accept.1 A+C 12 -1743.072 16.06 2 1 vs 4 No2 A+D 10 -1789.601 109.118 4 2 vs 4 No3 C+D 8 -1766.155 66.226 6 3 vs 4 No4 A+C+D 14 -1735.042 - - -5 D+A*C 26 -1723.764 22.556 12 4 vs 5 No estrict.6 C+A*D 20 -1729.839 10.406 6 4 vs 6 Si7 A+C*D 18 -1734.447 1.19 4 4 vs 7 SiProf. Lídia Montero Pàg. 5-37 Curs 2.006-2.007