Sorties GLM Régression Logistique; redéfinir la "référence"?
Bonjour tout le monde,
Toujours dans mon "problème" de régression logistique j'essaie d'interpréter les sorties de ma régression logistique sous R.
Je n'ai que des variables "qualitatives" explicatives et donc ma variable à prédire (succès/échec).
En sortie de la régression logistique j'ai quelque chose comme ça:
Code:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
| summary(modele.fit)
Call:
glm(formula = Y ~ X1+X2+X3+X4+etc., family = binomial,
data = datas[, -c(4)])
Deviance Residuals:
Min 1Q Median 3Q Max
-3.09167 -0.51851 -0.01679 0.59240 2.91914
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.6010 0.2809 5.700 1.19e-08 ***
X1_mod2 -0.9508 0.2172 -4.377 1.20e-05 ***
X1_mod3 -1.6465 0.1979 -8.319 < 2e-16 ***
X1_mod4 -3.6901 0.2273 -16.237 < 2e-16 ***
X2_mod2 0.2681 0.1699 1.578 0.11454
X2_mod3 0.8957 0.1564 5.726 1.03e-08 ***
X3_mod1 0.6566 0.4288 1.531 0.12570
etc.
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2772.6 on 1999 degrees of freedom
Residual deviance: 1614.9 on 1980 degrees of freedom
AIC: 1654.9
Number of Fisher Scoring iterations: 5 |
Alors autant avec une seule variable j'arrive à analyser mon "intercept" et les coefficients associés aux autres modalités (on prend la première modalité comme référence et on "compare" les coeff. relativement à cet "intercept").
Mais pour plusieurs variables catégorielles j'ai du mal ... l'intercept "concentre" toutes les premières modalités de chaque variable explicative?
Comment après retrouver les coefficients du modèle, i.e. les "vrais" coefficients béta pour pouvoir les écrire réellement sur papier?
J'avoue je me trouve con là ... :D
Dois-je (si possible?) forcer R à ne prendre dans la constante QUE les effets constants indépendamment des autres variables pour avoir chaque coefficient? Quelque chose du style glm(Y~0+toutes mes variables)?
Cordialement,
Hollow
