Differences

This shows you the differences between two versions of the page.

--- logit_analysis [2019/09/15 02:48] – hkimscil
+++ logit_analysis [2019/09/18 07:56] (current) – removed hkimscil
@@ Line 1: / Line 1: @@
-====== logit analysis ======
-<code>
-mydata <- read.csv("https://stats.idre.ucla.edu/stat/data/binary.csv")
-## view the first few rows of the data
-head(mydata)
-</code>
-<code>
-  admit gre  gpa rank
-     0 380 3.61    3
-     1 660 3.67    3
-     1 800 4.00    1
-     1 640 3.19    4
-     0 520 2.93    4
-     1 760 3.00    2
-</code>
-<code>summary(mydata)
-</code>
-<code>
-     admit             gre             gpa             rank
- Min.   :0.0000   Min.   :220.0   Min.   :2.260   Min.   :1.000
-st Qu.:0.0000   1st Qu.:520.0   1st Qu.:3.130   1st Qu.:2.000
- Median :0.0000   Median :580.0   Median :3.395   Median :2.000
- Mean   :0.3175   Mean   :587.7   Mean   :3.390   Mean   :2.485
-rd Qu.:1.0000   3rd Qu.:660.0   3rd Qu.:3.670   3rd Qu.:3.000
- Max.   :1.0000   Max.   :800.0   Max.   :4.000   Max.   :4.000
-</code>
-<code>sapply(mydata, mean)
-sapply(mydata, sd)
-</code>
-<code>> sapply(mydata, mean)
-   admit      gre      gpa     rank
-.3175 587.7000   3.3899   2.4850
-> sapply(mydata, sd)
-      admit         gre         gpa        rank
-.4660867 115.5165364   0.3805668   0.9444602
-> </code>
-<code>xtabs(~admit + rank, data = mydata)</code>
-<code>> xtabs(~admit + rank, data = mydata)
-     rank
-admit  1  2  3  4
-28 97 93 55
-33 54 28 12
-</code>
-<code>mydata$rank <- factor(mydata$rank)
-mylogit <- glm(admit ~ gre + gpa + rank, data = mydata, family = "binomial")
-summary(mylogit)
-</code>
-<code>
-Call:
-glm(formula = admit ~ gre + gpa + rank, family = "binomial",
-    data = mydata)
-Deviance Residuals:
-    Min       1Q   Median       3Q      Max
--1.6268  -0.8662  -0.6388   1.1490   2.0790
-Coefficients:
-             Estimate Std. Error z value Pr(>|z|)
-(Intercept) -3.989979   1.139951  -3.500 0.000465 ***
-gre          0.002264   0.001094   2.070 0.038465 *
-gpa          0.804038   0.331819   2.423 0.015388 *
-rank2       -0.675443   0.316490  -2.134 0.032829 *
-rank3       -1.340204   0.345306  -3.881 0.000104 ***
-rank4       -1.551464   0.417832  -3.713 0.000205 ***
----
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
-(Dispersion parameter for binomial family taken to be 1)
-    Null deviance: 499.98  on 399  degrees of freedom
-Residual deviance: 458.52  on 394  degrees of freedom
-AIC: 470.52
-Number of Fisher Scoring iterations: 4
-> </code>
-<code>
-> confint(mylogit)
-Waiting for profiling to be done...
-.5 %       97.5 %
-(Intercept) -6.2716202334 -1.792547080
-gre          0.0001375921  0.004435874
-gpa          0.1602959439  1.464142727
-rank2       -1.3008888002 -0.056745722
-rank3       -2.0276713127 -0.670372346
-rank4       -2.4000265384 -0.753542605
->
-</code>
-<code>> ## CIs using standard errors
-> confint.default(mylogit)
-.5 %       97.5 %
-(Intercept) -6.2242418514 -1.755716295
-gre          0.0001202298  0.004408622
-gpa          0.1536836760  1.454391423
-rank2       -1.2957512650 -0.055134591
-rank3       -2.0169920597 -0.663415773
-rank4       -2.3703986294 -0.732528724
-</code>
-<code>wald.test(b = coef(mylogit), Sigma = vcov(mylogit), Terms = 4:6)</code>