Интерпретация данных логистической регрессии Опции

[marchanka]

Подскажите, пожалуйста, как интерпретировать случаи, если бинарная логистическая регрессия дала значимые результаты:
хи квадрат значим, независимые переменные значимы, общее число корректно предсказанных случаев по модели более 70,
а правильно предсказанных более 50,% но доля объясненной дисперсии (R2 Наделькеркеса) - менее 0,500.
Модель работает? какой из показателей (% предсказанных или дисперсия более важный?)
Правильно ли я понимаю, что даже, если R2 менее 0,5, это значит, что по модели прогнозирование лучше, чем наугад.

в сообщениях ниже вопрос был отредактирован

[DrgLena]

Marchanka, вы спрашиваете, какое заключение можно сделать по представленным в вашем файле данным, которые вы назвали Характеристики моделей с кривыми. Но до характеристик моделей еще нужно получить результат логистичсекой регрессии, о чем вас просил p2004r.
Прежде всего в логистической регрессии оценивается вклад переменных в прогнорзируемое состояние. При этом, учитывается тип предикторов, количественные ранговые или бинарные. Трактовка этих коэффициентов зависит от типа предикторов.

В случае одинокого бинарного предиктора, как в вашей первой модели нет смысла вообще использовать логистическую регрессию. Два бинарных признака и табл 2х2 дает возможность посчитать OR, а соответствующие калькуляторы дадут и расчет 95% ДИ. При этом ,вы уже имеете ответ на вопрос у м или ж и во сколько раз выше шансы иметь прогнозируемое состояние дин СОЦР нег.
И OR точно совпадет с exp коэффициена регрессии в уравнении логистической регрессии.
И ROC кривая по одной точке тоже не имеет никакого смысла, поскольку чувствительность и специфичность также однозначно считается из той же таблице 2х2. И никакого receiver по одной точке не может быть. Это по первой Модели (в кавычках). И еще замечание , пол часто включают в модель мультивариантной бинарной логистической регрессии, чтобы скорректировать коэффициенты предикторов. Оценки факторов риска (exp(b)) будут называться adjusted for sex

Две последующие модели прогнозируют одну и ту же переменную. Возникает вопрос, почему два предиктора одной и той же прогнозируемой переменной находяться в разнных моделях и почему вы хотите сравнивамь модели , а не возможности предикторов, сравнивая OR. Не факт, что оба предикторы будут иметь статистически значимые коэффициенты регрессии, находясь в одной модели.