İstatistik Sözlüğü → Koşullu Lojit
Koşullu Lojitanaliz
Bir kişinin birkaç seçenek arasından birini seçtiği durumlarda, seçeneklerin özelliklerinin (fiyat, süre, kalite) seçilme olasılığını nasıl etkilediğini her seçim kümesinin içindeki karşılaştırmayla kestiren model.
Kavram
Pek çok karar 'hangisini seçerim?' sorusudur: işe otomobille mi, otobüsle mi, metroyla mı gidilir; hangi meslek, hangi ürün seçilir? Burada sonuç tek bir sayı değil, bir seçenekler kümesi içinden yapılan tercihtir ve seçilme olasılığı seçeneklerin birbirine göre ne kadar çekici olduğuna bağlıdır. Koşullu lojit, her seçim kümesini kendi içinde değerlendirerek fiyat ya da süre gibi özelliklerin tercihi nasıl değiştirdiğini kestirir. Aynı model, her vakanın kendi kontrolleriyle eşleştirildiği vaka-kontrol çalışmalarında koşullu lojistik regresyon olarak da kullanılır.
Her seçeneğe özelliklerinden oluşan bir fayda puanı verilir (V = β₁·maliyet + β₂·süre + …) ve bir seçeneğin seçilme olasılığı, kendi faydasının üstelinin kümedeki tüm seçeneklerin üstelleri toplamına oranıdır: P(j) = exp(V_j) / Σ exp(V_k). Katsayının üsteli odds oranıdır: özellik bir birim arttığında o seçeneğin seçilme odds'unun kaç katına çıktığını gösterir. Kümede herkes için aynı olan kişi özellikleri (yaş, gelir) karşılaştırmada birbirini götürdüğünden ancak seçeneklerle etkileşim olarak modele girebilir.
Modelin temel varsayımı ilgisiz seçeneklerin bağımsızlığıdır (IIA): iki seçeneğin olasılıkları oranı, kümeye başka bir seçenek eklenip çıkarılmasından etkilenmez. Birbirine çok benzeyen seçenekler (ör. iki farklı otobüs hattı) bulunduğunda bu varsayım gerçekçi olmayabilir. Uyum McFadden R² ile özetlenir; bu değer doğrusal regresyondaki R²'den genellikle çok düşüktür ve aynı ölçekte okunmamalıdır.
Ne zaman kullanılır?
- Her gözlemin birkaç seçenekten oluşan bir kümede yapılmış tek bir seçim olduğu ve seçeneklerin özelliklerinin seçenekten seçeneğe değiştiği durumlarda (ulaşım türü, ürün ya da marka seçimi, seçim deneyleri).
- Bir vakanın bir ya da birkaç kontrolle eşleştirildiği vaka-kontrol çalışmalarında, eşleşmeyi koruyarak risk etkenlerinin odds oranını kestirmek için.
- Yalnız kişi özellikleri varsa çok terimli lojistik regresyon yeterlidir; benzer seçenekler nedeniyle IIA varsayımı bozuluyorsa iç içe (nested) lojit ya da karma (mixed) lojit gibi modeller tercih edilir.
Gündelik bir örnek
Bir belediye, 300 çalışanın işe gidişte otomobil, otobüs, metro ve bisiklet arasından hangisini seçtiğini inceliyor. Her kişi için dört seçeneğin yolculuk süresi ve maliyeti biliniyor; kişi bunlardan birini seçmiş. Koşullu lojit, her kişinin dört seçeneğini kendi içinde karşılaştırarak örneğin yolculuk süresindeki her 10 dakikalık artışın bir seçeneğin seçilme odds'unu yaklaşık %20 azalttığını bulabilir. Belediye bu sonuçla metro sefer sıklığını artırmanın metro kullanımını ne kadar değiştireceğini öngörebilir.
MerQur'da parametreler
Alternatif özellikleri
Kavram: Alternatif özellikleri, bir seçim kümesindeki seçenekler arasında değişen niteliklerdir; modelin katsayıları bu niteliklerin seçilme olasılığına etkisini gösterir.
Gündelik örnek: Ulaşım örneğinde yolculuk süresi ve maliyet her seçenek için farklıdır: otomobil hızlı ama pahalı, bisiklet ucuz ama yavaş. Bu iki özellik modelin açıklayıcılarıdır.
Ne işe yarar: Seçimi etkileyen, alternatiften alternatife değişen sayısal özellikleri seçer.
Sonuca etkisi: Katsayılar, odds oranları ve testler.
Doğrulama verisinde: TravelMode (wait, gcost): wait β = -0.0130 (SE 0.0029), gcost β = -0.0106 (SE 0.0035); log-olabilirlik -270.108, McFadden R² = 0.0722.
Chooser sütunu
Kavram: Seçim kümesi kimliği, hangi satırların aynı karara ait olduğunu belirtir. Model karşılaştırmayı yalnızca aynı kümedeki seçenekler arasında yapar; eşleştirilmiş vaka-kontrol çalışmalarında bu kimlik eşleşme kümesidir.
Gündelik örnek: Her çalışanın dört satırı (otomobil, otobüs, metro, bisiklet) aynı kişi numarasını taşır. Model, Ayşe'nin metroyu seçmesini yalnız Ayşe'nin önündeki dört seçenekle karşılaştırır, başka birinin seçenekleriyle değil.
Ne işe yarar: Seçim kümesi veya eşleşmiş küme kimliğidir (strata). Her kümede tam bir seçim gerekir (m:n eşleşme desteklenmez); tek olaylı kümede exact, Efron ve Breslow aynı katsayıyı verdiğinden bağ yöntemi seçeneği gerekmez.
Sonuca etkisi: Küme yapısı.
Doğrulama verisinde: Tek seçimli kümelerde üç bağ yöntemi aynı sonucu verir; m:n eşleşmede doğrulama hatası verilir.
Chosen sütunu (0/1)
Kavram: Seçilen gösterge, her kümede gerçekte hangi seçeneğin tercih edildiğini 1, diğerlerini 0 ile işaretler. Her kümede tam bir seçenek seçilmiş olmalıdır.
Gündelik örnek: Ayşe metroyu seçtiyse metro satırına 1, otomobil, otobüs ve bisiklet satırlarına 0 yazılır.
Ne işe yarar: Satırın alternatifi seçildiyse 1, değilse 0 olan göstergeyi belirler. "yes/no" etiketli veride yes = 1, no = 0 olarak choice01 türetilir.
Sonuca etkisi: Tüm sonuçlar.
Doğrulama verisinde: TravelMode choice01 = (choice == "yes").
Alt kimliği (opsiyonel)
Kavram: Alternatif kimliği, her satırın hangi seçeneğe ait olduğunu (otomobil, otobüs…) belirtir. Seçeneğe özgü sabitler ve kişi özelliği etkileşimleri için gereklidir.
Gündelik örnek: Satırlara 'otomobil', 'otobüs', 'metro', 'bisiklet' etiketleri verildiğinde model, örneğin metronun süre ve maliyetten bağımsız genel bir çekiciliği olup olmadığını da sorabilir.
Ne işe yarar: ASC ve kişi özelliği etkileşimlerinde alternatif başına pay için alternatif kimliğini belirler; tek başına sonucu değiştirmez (yalnız raporlama).
Sonuca etkisi: Yalnız ASC, etkileşim ve pay çıktıları için gereklidir.
Doğrulama verisinde: Alt kimliği tek başına seçildiğinde çıktı değişmez (beklenen).
Güven Düzeyi (%90, %95, %99, özel)
Kavram: Katsayıların ve odds oranlarının aralık tahminlerinin güven düzeyini belirler; düzey yükseldikçe aralık genişler.
Gündelik örnek: Süredeki her 10 dakikalık artışın odds oranı %95 güvenle 0,75 ile 0,86 arasında bulunursa, %99 güvende aralık biraz genişler. Aralık 1'i içermediği sürece süre etkisinin yönü açıktır.
Ne işe yarar: Wald güven aralığı (b +- z SE) ve odds oranı aralığının düzeyini belirler.
Sonuca etkisi: Yalnız aralıklar.
Doğrulama verisinde: Örnek 78.11 Gall OR %95 [0.927, 7.293].
Kategorik prediktörler
Kavram: Kategorik bir özellik, kukla (0/1) değişkenlere açılarak modele girer; her kukla katsayısı o düzeyin temel (ilk) düzeye göre farkını gösterir.
Gündelik örnek: Seçeneklerin konfor düzeyi 'düşük, orta, yüksek' olarak kodlanmışsa model 'orta' ve 'yüksek' için ayrı katsayılar kestirir; ikisi de 'düşük' konforlu seçeneklere göre okunur.
Ne işe yarar: Alternatife özgü kategorik değişkeni kukla değişkenlere açar (ilk düzey temel düzeydir). Yalnız kategorik yordayıcıyla da model kurulabilir.
Sonuca etkisi: Katsayılar ve OR.
Doğrulama verisinde: infert induced (0/1/2) kategorik: induced[1] ve induced[2] kuklaları ilk düzeye (0) göre kestirilir. logan'da yalnız kategorik yordayıcıyla model kurulabilir.
Kişi özellikleri (x alternatif)
Kavram: Kişinin yaş ya da gelir gibi özellikleri kümedeki tüm seçenekler için aynıdır ve karşılaştırmada birbirini götürür. Bu nedenle ancak seçeneklerle çarpılarak (etkileşim) modele girer ve 'bu özellik hangi seçeneği daha çekici kılıyor?' sorusunu yanıtlar.
Gündelik örnek: Gelir tek başına modele konamaz, çünkü Ayşe'nin geliri dört seçenekte de aynıdır. 'Gelir x otomobil' etkileşimi ise gelir arttıkça otomobilin diğer seçeneklere göre daha sık seçilip seçilmediğini gösterir.
Ne işe yarar: Seçim kümesinde sabit olan kişi özelliklerini (yaş, gelir, eğitim) alternatif kuklalarıyla çarparak modele sokar (alternatif kimliği gerekir).
Sonuca etkisi: Etkileşim katsayıları.
Doğrulama verisinde: logan education x meslek etkileşimi: LR 665.5.
Küme (kişi) sütunu, sağlam SE
Kavram: Aynı kişi birden fazla seçim yaptığında bu seçimler birbirinden bağımsız değildir. Küme-sağlam (sandviç) standart hatalar bu bağımlılığı hesaba katarak katsayıların belirsizliğini daha gerçekçi verir.
Gündelik örnek: Her çalışan beş farklı iş günü için ayrı ayrı seçim yaptıysa, otomobil seven biri beş günde de otomobili seçer. Kişiye göre sağlam SE, 1500 seçimi 1500 bağımsız kişi gibi saymanın yarattığı aşırı kesinlik izlenimini düzeltir.
Ne işe yarar: Aynı kişi birden çok seçim kümesinde yer alıyorsa kişi kimliğine göre küme-sağlam sandviç SE verir (ek tablo).
Sonuca etkisi: Yalnız SE ve aralıklar.
Doğrulama verisinde: infert (63 küme): spontaneous SE 0.3524 iken sağlam SE 0.3701.
Ek çıktı: Alternatif sabitleri (ASC)
Kavram: Seçeneğe özgü sabitler (ASC), ölçülen özelliklerle açıklanamayan genel çekiciliği temsil eder: süre ve maliyet eşit olsa bile bir seçeneğin diğerlerine göre ne kadar tercih edildiğini gösterir.
Gündelik örnek: Süre ve maliyet aynı olsa bile insanlar metroyu otobüse tercih edebilir (daha dakik, daha az kalabalık). Metro için pozitif bir ASC bu ölçülmemiş avantajı yakalar.
Ne işe yarar: Alternatif kimliği kuklalarını (ölçülmeyen alternatif çekiciliği) modele ekler; temel alternatif seçilebilir. Alternatif kimliği yokken uyarı verilir.
Sonuca etkisi: ASC katsayıları ve model uyumu.
Doğrulama verisinde: TravelMode, temel alternatif car: ASC[air] 5.20744, ASC[train] 3.86904, ASC[bus] 3.16319 (Greene Tablo 21.11 modeli).
ASC referans alternatifi
Kavram: Sabitler yalnızca birbirine göre anlamlı olduğundan bir seçenek temel alınır ve onun sabiti 0 kabul edilir; diğer sabitler bu temele göre okunur. Temeli değiştirmek modelin uyumunu değil, yalnızca katsayıların okunuşunu değiştirir.
Gündelik örnek: Otomobil temel alınırsa 'metro, otomobile göre ne kadar çekici?' diye okunur; bisiklet temel alınırsa aynı bilgi 'otomobil ve metro, bisiklete göre ne kadar çekici?' biçiminde görünür.
Ne işe yarar: ASC ve kişi özelliği x alternatif etkileşimlerinde katsayısı 0 alınan temel alternatifi belirler (alternatif kimliğindeki değerle yazılır).
Sonuca etkisi: ASC ve etkileşim katsayılarının ifadesi; model uyumu değişmez.
Doğrulama verisinde: Temel alternatif air: ASC[bus] -2.0442, ASC[car] -5.2074, ASC[train] -1.3384; temel alternatif car iken değerler yukarıdadır.
Ek çıktı: Tahmini seçim olasılıkları ve isabet oranı
Kavram: Model, her kişi için her seçeneğin seçilme olasılığını hesaplar. İsabet oranı, en yüksek olasılık verilen seçeneğin gerçekten seçildiği kümelerin yüzdesidir; ayrıca her seçeneğin öngörülen ve gözlenen payları karşılaştırılır.
Gündelik örnek: Model Ayşe için metroya %55, otobüse %25, otomobile %15, bisiklete %5 olasılık veriyorsa ve Ayşe metroyu seçtiyse bu bir isabettir. 300 çalışanın 200'ünde isabet varsa isabet oranı yaklaşık %67'dir.
Ne işe yarar: p_ij = exp(x_ij' b) / toplam exp(x_ik' b), isabet oranı (en olası alternatifin seçilen olduğu küme yüzdesi) ve alternatif başına ortalama öngörülen ve gözlenen payı verir.
Sonuca etkisi: Yalnız ek tablo.
Doğrulama verisinde: TravelMode (ASC'li) isabet oranı %69.05; ASC'li modelde öngörülen paylar gözlenen paylara eşittir (koşullu lojit özelliği).
Gerçek veride örnek
Veri: Greene TravelMode, R AER
Değişkenler: seçici individual (210 kişi, 4 ulaşım alternatifi), seçilen choice01, alternatif özellikleri gcost (genel maliyet) ve wait (bekleme süresi)
- Soru: 210 yolcunun dört ulaşım seçeneği (uçak, tren, otobüs, otomobil) arasındaki tercihinde terminal bekleme süresi (wait) ve genelleştirilmiş maliyet (gcost) seçilme olasılığını nasıl etkiler?
- Model testi: LR χ²(2) = 42.03, p < .001 (Wald 41.12, skor 43.66); iki öznitelik birlikte seçimi anlamlı biçimde açıklar.
- Sonuç: Bekleme süresi (β = -0.0130, z = -4.49, p < .001) ve maliyet (β = -0.0106, z = -3.07, p = .002) arttıkça bir seçeneğin seçilme olasılığı düşer.
- Etki büyüklüğü: Bekleme süresindeki her 1 dakikalık artış seçilme odds'unu %1.3 azaltır (OR = 0.987, %95 GA [0.982, 0.993]); maliyetteki 1 birimlik artış %1.1 azaltır (OR = 0.989 [0.983, 0.996]).
- Model uyumu: McFadden R² = .07 (eşit olasılıklı sıfır modele göre, LL0 = -291.12); AIC = 544.22, BIC = 550.91. Uyum zayıftır; seçeneğe özgü sabitler (ASC) ve gelir gibi bireysel değişkenler eklenmeden açıklayıcılık sınırlı kalır.
- APA: Koşullu lojit, LR χ²(2, N = 210) = 42.03, p < .001, McFadden R² = .07; bekleme OR = 0.99, %95 GA [0.98, 0.99], p < .001.
İlgili kavramlar
Alternatife özgü sabitler (ASC)Küme-sağlam (kümelenmiş) standart hatalarOdds oranı (OR)Etkileşim etkisiKukla (gösterge) değişken kodlamasıSınıflandırma tablosu (karışıklık matrisi)Referans kategori (karşılaştırma düzeyi)Sağlam (sandviç) standart hatalar (HC0-HC3)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.