8/16/2019 A Következőkben Bináris Logisztikus Regresszióval

1/2

A következőkben bináris logisztikus regresszióval, arra a kérdésre keres a választ,

hogy Természettudomány átlag, Matematika átlag, Probléma-megoldás átlag,

iákok viselkedése változók ala!"án be lehet-e "ósolni, hogy van-e otthon

nyugodt, #söndes hely ahol tanulhatnak$

%lemzés&

Dependent Variable Encoding

Original Value Internal Value

Tick 0

No Tick 1

Az első táblázaton az '"rakódolás eredményét láthat"uk, vagyis ebben az esetbena ()* "elentése& van +otthon #söndes, nyugodt hely ahol tanulhatsz és az (*

 "elentése& nin#s+otthon #söndes, nyugodt hely ahol tanulhatsz

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 6!"" 1 00"

#lock 6!"" 1 00"

$odel 6!"" 1 ,009

Az omnibusz tesztből kiolvasható, hogy a modell szigni.káns +sig/),))0

Model Summary

Step -% &og likelihood

Co' ( Snell )

Square

Nagelkerke )

Square

1 "**!1"a 00! 011

a. +sti,ation ter,inated at iteration nu,er * ecausepara,eter esti,ates changed less than 001.

A Model Summary táblázat megmutatja nekünk, hogy Cox&Snell R négyzet 0,7 é! a

 "agelkerke R "égyzet #,#$%z a két együtthat azt mutatja meg, hogy a modellbe bekerül'

két (üggetlen )áltoz a (ügg' )áltoz *+S#7-0./  1ane otthon 2!3nde!, nyugodt hely, aholtanulhat!z45 )ar6an26ájának hány !zázalékát tudja megmagyarázn6$

8/16/2019 A Következőkben Bináris Logisztikus Regresszióval

2/2

Classification Tablea

Oser/ed

redicted

Van-e otthon csndes nugodt

hel ahol tanulhats23 ercentage

CorrectTick No Tick

Step 1 Van-e otthon csndes

nugodt hel ahol

tanulhats23

Tick !6" 0 1000

No Tick14" 0 0

O/erall ercentage 405

a. The cut /alue is 00

A klasszi.ká#iós táblázatban látható, hogy a modellben, 120 esetben a nyugodt

hellyel rendelkezők "ól lettek beazonos3tva$ A nyugodt hellyel nem rendelkezők!edig 40 helyes azonos3tás$

Variables in the Euation

# S.+. 7ald df Sig. +'p8#9

Step 1a ,ean:, -00% 001 6!16 1 010 ""4

Constant -%14 *60 %% 1 65 40*

a. Variale8s9 entered on step 1; ,ean:,.