PROC CORR oraz PROC REG

PROC REG

PROC CORR

PROC LOGISTIC

zwiększają znajomość mechanizmu przyczynowego oraz mają charakter naturalny

zwiększają znajomość mechanizmu przyczynowego

mają charakter naturalny (coś z natury różni się między klasami)

wynikają ze słabej jakości danych, niejasności w danych

liniowego związku ilorazu szans i wektora zmiennych objaśniających

liniowego związku szans i wektora zmiennych objaśniających

liniowego związku prawdopodobieństwa i wektora zmiennych objaśniających

liniowego związku logitu i wektora zmiennych objaśniających

podział zmiennej ciągłej na kategorie

zmiana sposobu kodowania zmiennej objaśniające

zastosowanie wyższej potęgi ciągłej zmiennej objaśniającej

zastosowanie wyższej potęgi ciągłej zmiennej objaśniającej oraz podział zmiennej ciągłej na kategorie

dodaniu do modelu interakcji zmiennej ciągłej i jej kwadratu

kategoryzacji zmiennej ciągłej

usunięciu z modelu zmiennej ciągłej i ponownym oszacowaniu parametrów

dodaniu do modelu interakcji zmiennej ciągłej i jej logarytmu naturalnego

selekcji danych do modelu

kodowania zmiennej z natury ciągłej

wszystkie odpowiedzi są niepoprawne

dyskretyzacji zmiennych

True Positive Rate i True Negative Rate

True Positive Rate i False Positive Rate

Sensitivity i Specificity

False Positive Rate i False Negative Rate

ograniczenie dużego zbioru potencjalnych zmiennych objaśniających (spośród grona modeli adekwatnie opisujących dane zjawisko, najlepszym modelem jest model najprostszy

niezależność zmiennych objaśnianej i objaśniających, na podstawie tablic kontyngencji.

różnice pomiędzy przewidywaną a obserwowaną liczbą obserwacji w danych grupach.

hipoteze zerową, że model jest dobrze dopasowany do danych