de invloed van predicatoren en de betekenis van b en Expb) --> logistische regressie

Question

Slaat het ergens op wat ik hieronder allemaal zeg? Ik vind de betekenis van de odds, de odds-ratio en de log odds-ratio nog steeds heel vaag....

Variables in the equation

	B	Exp(B)
@HSL_Zeker	-,469	,626
@HSL_Angstig	,374	1,454
@HSL_Vermijdend	-,002	,998
@HSL_gepreoccupeerd	1,051	2,860
Constant	-2,724	,066

a)  Omdat het lastig is een stijging van een logaritme van een kansverhouding (log odds-ratio) te interpreteren kijk ik eerst of de b’s significant zijn en of ze groter of kleiner zijn dan 0. In dit geval is de b van ‘zekere hechting’ significant op een niveau van p < .05, is die van ‘angstige hechting’ significant op een niveau van p < .01 en die van ‘gepreoccupeerde hechting’ significant op een niveau van p < .001. Alleen de b van ‘vermijdende hechting’ is niet significant. De b van ‘angstige’ en van ‘gepreoccupeerd’ zijn allebei positief dus zorgen voor een stijging van de log odds. Die van ‘zeker’ is negatief en zorgt voor een daling van de log odds. Het zorgt dus voor een daling van de kans dat iemand wordt toegewezen aan de categorie bovengemiddelde klachten.

Aan de odds-ratio (Exp(B)) is te zien welke variabele de meeste invloed heeft op de criteriumvariabele. De odds-ratio van de variabele ‘gepreoccupeerde hechting’ is met 2,86 het grootst. Deze odds-ratio betekent dat wanneer de eenheid van gepreoccupeerde hechting met 1 stijgt, dat de kansverhouding (odds) op toewijzing aan de categorie ‘bovengemiddelde klachten’ toenemen met 2,86. De variabele die daarna de grootste odds-ratio heeft is ‘angstige hechting’. ‘Zekere hechting heeft een odds-ratio van ,626 en de b van vermijdend was niet significant. De predictoren met de grootste invloed zijn dus ‘gepreoccupeerde hechting’ en ‘angstige hechting’.  

Answer 1

Volgens mij heb je de essentie goed verwoord. Ik wil alleen nog toevoegen dat bij een positieve B de Exp(B) groter is dan 1, en bij een negatieve B is  Exp(B) van kleiner dan 1 (en groter dan 0). Voor de interpretatie - zoals jij ook doet -- is het goed om naar de oddsratio Exp(B) te kijken, omdat je daaraan kunt zien wat het effect is de toename van 1 schaalwaarde op één enkele predictor (de andere predictoren gelijkhoudend).

MvG, Rolf

P.S. Ik verwijs voor de volledigheid naar de bron over logistische regressie op de site; daar staat het voor een situatie met één predictor uitgewerkt. In die bron worden de begrippen odds, oddsratio en logoddsratio uitgelegd. Die begrippen zijn nodig om de rekenarij in dit model enigszins te kunnen plaatsen. Zie ook de online les over multiple regressie waarin ik, zonder de begrippen oddsratio en logoddsratio te gebruiken, een uitleg geef over het log. regressiemodel.