Les inconvénients de la régression logistique

La régression logistique tente de prédire les résultats basés sur un ensemble de variables indépendantes, mais si les chercheurs comprennent les variables indépendantes mauvaises, le modèle aura peu ou pas de valeur prédictive. Par exemple, si les admissions des collèges décisions dépendent plus des lettres de recommandation que les résultats des tests, et les chercheurs ne comprennent pas une mesure de lettres de recommandation dans leur ensemble de données, le modèle logit ne fournira pas des prédictions utiles ou précises. Cela signifie que la régression logistique est pas un outil utile moins que les chercheurs ont déjà identifié toutes les variables indépendantes pertinentes.

La régression logistique fonctionne bien pour prédire les résultats catégoriels comme l`admission ou de rejet dans un collège particulier. Il peut également prédire les résultats multinomiaux, comme l`admission, le rejet ou la liste d`attente. Cependant, la régression logistique ne peut pas prédire les résultats continus. Par exemple, la régression logistique ne pouvait pas être utilisé pour déterminer à quelle hauteur la fièvre d`un patient de la grippe va augmenter, parce que l`échelle de mesure - température - est continue. Les chercheurs pourraient tenter de convertir la mesure de la température en catégories distinctes comme "forte fièvre" ou "fièvre," mais cela serait sacrifier la précision de l`ensemble de données. Ceci est un inconvénient important pour les chercheurs qui travaillent avec des échelles continues.

La régression logistique exige que chaque point de données soit indépendant de tous les autres points de données. Si les observations sont liées les unes aux autres, alors le modèle aura tendance à surpondérer la signification de ces observations. Ceci est un inconvénient majeur, parce que beaucoup de la recherche scientifique et sociale-scientifique repose sur des techniques de recherche impliquant de multiples observations des mêmes individus. Par exemple, les essais de médicaments utilisent souvent appariés paire designs qui comparent deux individus semblables, l`un prenant un médicament et l`autre prenant un placebo. La régression logistique est pas une technique appropriée pour les études utilisant cette conception.

tentatives de régression logistique pour prédire les résultats basés sur un ensemble de variables indépendantes, mais les modèles logit sont vulnérables à l`excès de confiance. Autrement dit, les modèles peuvent semblent avoir plus de pouvoir prédictif qu`ils ne le font en réalité à la suite d`un biais d`échantillonnage. Dans l`exemple de l`admission au collège, un échantillon aléatoire de candidats pourrait conduire un modèle logit pour prédire que tous les élèves ayant une moyenne cumulative d`au moins 3,7 et un score SAT dans le 90e percentile seront toujours admis. En réalité, cependant, le collège pourrait rejeter un petit pourcentage de ces candidats. Une régression logistique serait donc "surajustement," ce qui signifie qu`elle surestime l`exactitude de ses prédictions.