Przedziały ufności prezentują powyższe wyniki, które uzyskaliśmy za pomocą komendy confint.
> scep(model)
Stare: *10867.23 |
dane$Pleć - dane$He»oglobina + dane$sTfR +■ daneSSflek
<none>
— dane$Wiek
- dane$Hemoglobina
Dt Deviance AIC
360.01 866.01 1 886.18 890.18
1 905.34 909.34
or |
Deviance |
AIC | |||
- dane$sTfR |
i |
860. |
,01 |
866. |
.01 |
<none> |
859, |
,23 |
867, |
.23 | |
- daneSWiek |
i |
883. |
,97 |
889. |
.97 |
- dane$Hemoglobina |
i |
900, |
,60 |
906, |
.60 |
Step: *10866.01
dane$Płe£ - dane$Hemoglobina + dane$Wie)r
Cali: glm(formula = daneSPłeć - dane$Henoglobina + dane$Hiek, family = binoraial())
Coeffieients:
dane$Wlek
-0.03748
(Intercept) dane$Hcmogloblna -1.14422 0.35562
Degrees of Freedoia: 952 Total (i.e. Nuli); 950 Residual Nuli Deviance: 968.S
Residual Deviance: 860 AIC: 866
Za pomocą tej komendy wyeliminowaliśmy zmienne, które nie miały żadnego, bądź też miały negatywny wpływ na ogólną postać modelu.
W pierwszym kroku wyeliminowano zmienną „sTfR", co wpłynęło na zmianę poziomu wartości AIC (im niższa wartość tym lepsze dopasowanie do modelu).
Komenda ta nie wyeliminowała żadnych innych zmiennych, co oznacza, że nie jest możliwe lepsze dopasowanie modelu.
Regresja logistyczna:
Gdzie:
X,- poziom hemoglobiny
X2- wiek