Probabilities of Correctly Classifying Belong to Logistic Regression Model and Discriminant Analysis with four Variables Compares with Simulation Technique in Condition that Different Mean Vector and Different Covariance Matrix

Year 2002, Volume: 1 Issue: 3, 13 - 24, 16.12.2002

Handan Çamdeviren E. Arzu Kanık Fikret Gürbüz

Abstract

In this study, to show that the effect of various combination mean vectors, variance and covariance structure of continuous variables on the true classification proportions each population was made a simulation study. Simulation results show that both linear discriminant analysis and logistic regression analysis same.

Keywords

Diskriminant Analysis, Logistic Regression Model, Classification Probabilities, Simulation

Farklı Ortalama Vektörü ve Farklı Kovaryans Matrisi Koşullarında Dört Değişkenli Lojistik Regresyon Modeli ve Diskriminant Analizine Ait Doğru Sınıflandırma Olasılıklarının Simülasyon Tekniği Yardımıyla Karşılaştırılması

Abstract

Bu çalışmada, farklı değişken yapısına sahip iki veri setinde, sürekli değişkenlere ait ortalama, varyans ve kovaryanslardaki değişmenin her bir populasyona doğru sınıflandırma olasılıkları üzerine etkisini araştırmak amacıyla bir simülasyon çalışması yapılmıştır. Bu çalışma sonucunda, her bir populasyona doğru sınıflandırma olasılıkları bakımından doğrusal diskriminant analiz ve lojistik regresyon analizinin benzer sonuçlar verdiği görülmüştür.

Keywords

Diskriminant Analizi, Lojistik Regresyon Modeli, Sınıflandırma Olasılıkları, Simulasyon

References

• AGRESTI, A. (1990), Categorical data analysis, John Wiley & Sons, 558 P., New York-USA.
• ALHO, J. M. (1990), “Logistic regression in capture-recapture models”, Biometrics, 46, 623-635.
• ANDERSON, J. A. (1972), “Separate sample logistic discrimination”, Biometrica, 59(1), 19-35.
• ÇAMDEVİREN, H. (2000), Logistik Regresyon ve Diskriminant Analizi, A.Ü. Fen Bilm. Enst. Doktora Tezi (Yayınlanmamış), 185s.
• EVERITT, B.S. (1992), The analysis of contingency tables, Chapman&Hall, Second Edition, 164p., London-UK.
• FEARS, T.R. and BROWN, C.C. (1986), “Logistic regression methods for redrospective case-control studies using complex sampling procedures”, Biometrics, 42, 955-960.
• HOSMER, T., HOSMER, D., and FISHER, L. (1983), “A Comparison of the maximum likelihood and discriminant function estimators of the coefficients of the logistic regression model for mixed continuous and discrede variables”, Commun. Statist.- Simula. Computa., 12(1), 23-43.
• HOSMER, D.W., JAVANOVIC, B. and LEMESHOW, S. (1989), “Best subsets logistic regression”, Biometrics, 45, 1265-1270.
• JOHNSON, R.A. and WICHERN, D.W. (1982), Applied multivariate statistical analysis, Prentice-Hall, INC., Englewood Cliffs, 594 P., New Jersey-USA.
• KNOKE, J.D. (1982), “Discriminant analysis with discrete and continuous variables”, Biometrics, 38, 191-200.
• QIN, J. and ZHANG, B. (1997), “A goodness-of-fit test for logistic regression models based on case-control data”, Biometrika, 84(3), 609-618.
• SCHMITZ, P.I.M., HABBEMA, J.D.F., HERMANS, J. and RAATGEVER, J.W. (1983) “Comparative performance of four discriminant analysis methods for mixtures of continuous and discrede variables”, Commun. Statist.-Simula. Computa., 12(6), 727-751.
• STEVENS, J. (1986), Applied multivariate statistics for the social sciences, Hillsdale, 509 P., New Jersey-USA.