Nou în bookstore: A Practical Guide to Logistic Regression Using Stata

Comentariu din partea grupului tehnic Stata

Disponbila ca print, e-book și kindle

Cartea lui Alan Acock, „Ghid practic pentru regresia logistică folosind Stata”, este scrisă pentru studenții și cercetătorii care sunt noi în domeniul regresiei logistice și care doresc să se concentreze pe aplicații mai degrabă decât pe teorie. Acest ghid învață când și de ce este potrivită regresia logistică, cum să se potrivească cu ușurință aceste modele folosind Stata și cum să se interpreteze și să se prezinte rezultatele.

Cartea începe cu o trecere în revistă a regresiei OLS și o introducere în conceptele de regresie logistică. Compară și contrastează aceste două metode și explică de ce regresia logistică este de obicei cea mai bună abordare pentru modelarea datelor binare cu rezultate. Pe parcurs, cititorii vor învăța despre estimarea parametrilor pentru modelele de regresie logistică.

Autorul își îndreaptă apoi atenția către interpretarea modelelor și evaluarea potrivirii modelului. Cartea demonstrează cum să transformi coeficienții în rapoarte de șanse mai ușor de interpretat și cum să estimezi riscurile relative atunci când este cazul. Acock explică în continuare instrumente precum pseudo-R², testele raportului de probabilitate, criteriul informațional Akaike (AIC) și criteriul informațional Bayesian Schwarz (BIC) și arată cum se utilizează aceste instrumente pentru a evalua potrivirea modelului cu datele.

Capitolele ulterioare se concentrează pe evaluarea utilității predictive a unui model folosind curbe de sensibilitate, specificitate și caracteristică de operare a receptorului (ROC). Aceste concepte sunt explicate clar și demonstrate cu exemple practice.

Cartea se încheie cu o discuție detaliată despre cum se construiesc modele cu diferite tipuri de variabile predictoare, cum se utilizează comanda margins din Stata pentru a transforma coeficienții modelului în probabilități prezise și cum se utilizează marginsplot pentru a crea vizualizări ușor de interpretat ale rezultatelor. Autorul include numeroase exemple folosind predictori continui și categorici, ilustrează diverse interacțiuni între diferite variabile predictoare și explică complicațiile care pot apărea, cum ar fi multicolinearitatea.

Un ghid practic pentru regresia logistică folosind Stata oferă o introducere cuprinzătoare, orientată spre aplicații, în modelarea rezultatelor binare folosind regresia logistică. Cititorii de toate nivelurile vor învăța abilitățile de a adapta, evalua, interpreta și vizualiza cu încredere aceste modele folosind propriile date.

CUPRINS

View table of contents >>

List of figures

List of tables

List of boxes

Preface (PDF)

Acknowledgments

1 What we can do with logistic regression

1.1 Questions we can answer using logistic regression
1.2 Ways to report results
1.3 Using Stata

2 Getting ready

2.1 Opening the dataset
2.2 Exploring the data
2.3 Labeling values for categorical variables
2.4 Saving the edited dataset

3 Conventional ordinary least-squares regression versus logistic regression

3.1 What OLS regression can tell us
3.2 What logistic regression can tell us

3.2.1 Robust and cluster–robust estimation

An imperfect model
Clustered sample design

4 Interpreting an odds ratio

4.1 What is an odds ratio?
4.2 Interpreting ORs as a percentage difference for binary predictors

5 What is wrong with ordinary least-squares regression for a binary outcome?

5.1 Hypothetical data
5.2 How does logistic regression fit better than ordinary least-squares linear regression?

6 Fitting and interpreting logistic regression models

6.1 Interpreting coefficients and odds ratios
6.2 Fitting logistic regression models with multiple predictors
6.3 Interpreting ORs for quantitative predictors
6.4 Selecting the right base level for categorical predictors

7 How well does the model fit the data?

7.1 Pseudo-R² measures of fit
7.2 Information criteria
7.3 Identifying cases that the model fits poorly

8 Sensitivity and specificity

8.1 Criteria for evaluating an analysis
8.2 Estimation of sensitivity and specificity

9 Receiver operating characteristic curves and cutpoints for screening tests

9.1 ROC curves
9.2 Comparing tests

10 Predictions using the margins command

10.1 What is better than reporting coefficients and odds ratios?
10.2 Data preparation
10.3 Estimating the ORs
10.4 The margins command

10.4.1 Estimating risk for categorical predictors
10.4.2 Estimating the risk for quantitative predictors
10.4.3 Estimating for a combination of categorical and quantitative variables

11 Graphic presentation using the marginsplot command

11.1 When and why
11.2 Graphs of categorical predictors that include three or more categories
11.3 Graphs with one quantitative predictor
11.4 Graphs with one quantitative and one categorical predictor
11.5 Graphs of a pair of categorical predictors
11.6 Graphs of a pair of categorical predictors

12 Curve fitting with quadratic models

12.1 A hypothetical example of a quadratic model using OLS regression
12.2 Estimating the curve (uncentered predictor)
12.3 Centering, collinearity, and nonessential collinearity
12.4 Estimating the curve (centered x)
12.5 Compare centered and uncentered models
12.6 Use of a quadratic with logistic regression

13 Interaction

13.1 Introduction
13.2 Interaction of a categorical and a quantitative variable using logistic regression
13.3 Estimating and interpreting probabilities (uncentered)
13.4 Interaction of categorical variables
13.5 Interaction of quantitative variables

14 Running nestreg and postestimation commands

14.1 Nested logistic regression
14.2 Selected postestimation commands

15 Special topics

15.1 Collinearity and multicollinearity

15.1.1 Evaluating multicollinearity

15.2 Sample size
15.3 Small-sample bias
15.4 Relative risk

A Appendix

References