ロジスティック回帰で解明！学校中退の予測因子【ChatGPT統計解析】
行動科学において、ロジスティック回帰分析は、質的（性別など）や量的（テストの点数など）な独立変数と2値の従属変数（例：高校卒業か中退か）を扱う場面で利用されます。この手法は、独立変数が複数のカテゴリを持つ場合にも適用可能で、その場合は多項ロジスティック回帰と呼ばれます。分析を通じて、特定の独立変数の変化がどのように従属変数の結果（例：学校を中退するリスク）に影響するかを明らかにし、それにより分類モデルの発展に寄与します。
▼▼▼▼▼▼▼▼
チャンネル登録はこちら
行動科学におけるロジスティック回帰分析
行動科学におけるロジスティック回帰分析は、独立変数が質的（性別など）あるいは量的（テストの点数など）で、従属変数が2値である場合に用いられます（もし従属変数が連続的であれば、重回帰が用いられるでしょう）。
ロジスティック回帰分析は独立変数が２つ以上の水準をもつときにも拡張され、それは多項ロジスティック回帰とよばれます。
独立変数が質的または量的・従属変数が2値
高校を卒業した生徒と中退した生徒を比較する研究を計画したとしましょう。
卒業か中退かという状態が従属変数です。
独立変数には、性別、IQ、友だちの数が含まれています。
これらのデータから、ロジスティック回帰分析によって他の変数を制御したうえで、ある独立変数の値が増加することが学校を中退する確率をどれほど上げるか、ということを明らかにします。
ここで、卒業か中退かという状態の予測において、変数の相対的な重要度が特定されます。
さらに、ロジスティック回帰分析は独立変数のスコアをもとにした、学校中退のリスクを特定することができ、分類モデルを発展させるためにも使われます。
関連リンク
