Régression logistique

• Exemple – logistic5
Objectif :étude d’un modèle de régression logistique
Y= f (X1 nominale# 3 modalités et X2 # 2 modalités).

Tableau de contingence –odds ratios

X2 = 0
X1 0 1 2
Y=0 20 65 71
Y=1 132 83 79

X2= 1
X1 0 1 2
Y= 0 134 128 136
Y=1 17 20 14

• Calcul des odds ratios ( voir td)

 Régression logistique

• Modèle sans interaction

> summary(modelsi)
Call: glm(formula = y ~ x1 + x2,family=binomial, data = rlog5)

Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.3540 0.1707 7.931 2.18e-15 ***
x11 -0.9032 0.2105 -4.291 1.78e-05 ***
x12 -1.1454 0.2124 -5.393 6.94e-08 ***
x21 -2.8255 0.1884 -14.997 < 2e-16 ***

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 1197.24 on 898 degrees of freedom

Residual deviance: 864.59 on 895 degrees of freedom
AIC: 872.59
 Régression logistique

• Expression des logits associés aux différents états du modèle (modèle SI)
fonction des valeurs respectives des variables explicatives X1 et X2
g(X1,X2) = b0 + b1 X11 + b2 X12 + b3 X2
exemple: g(x) =b0 = 1.35 pour X1=0 , X2=0
g(x) =b0 +b3 = 1.35p – 2.82 pour X1=0 , X2=1
 Régression logistique

• Graphique des logits

 Régression logistique

• Détermination des odds ratios (modèle SI)

Logit g(x)= (expression du logit)

L’expression de l’odds ratio en fonction du logit peut s’écrire (on prendra pour
exemple OR X1=1 vs X1=0)

Log(OR) = log ( )

= /X1=1 - /X1=0
 Régression logistique

• Détermination des odds ratios ( on note OR=PSI)

 Régression logistique

• Modèle avec interaction

> summary(modelai)
Call:glm(formula = y ~ x1 + x2 + x1 * x2, family = binomial, data = rlog5)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.8871 0.2399 7.864 3.71e-15 ***
x11 -1.6426 0.2916 -5.634 1.76e-08 ***
x12 -1.7803 0.2904 -6.131 8.73e-10 ***
x21 -3.9517 0.3519 -11.228 < 2e-16 ***
x11:x21 1.8509 0.4573 4.048 5.17e-05 ***
x12:x21 1.5713 0.4789 3.281 0.00103 **
---
Dispersion parameter for binomial family taken to be 1)

Null deviance: 1197.24 on 898 degrees of freedom

Residual deviance: 845.41 on 893 degrees of freedom
AIC: 857.41
 Régression logistique

• Expression des logits associés aux différents états du modèle (modèle AI)
g(X1,X2) = b0 + b1 X11 + b2 X12 + b3 X2 + b12 X11*X2 + b22 X12 *X2
(Note d1=X11, d2=X12)
 Régression logistique

• Graphique des logits

 Régression logistique

• Détermination des odds ratios ( on note OR=PSI)

 Régression logistique

• Odds ratios