Binaire logistische regressie
Binaire logistische regressie voorspelt de kans op een van twee uitkomsten, zoals goed/fout of ja/nee, uit continue voorspellers, categorische voorspellers of beide. Gebruik haar als de respons precies twee categorieën heeft; voor continue responsen is Fit Regression Model nodig. Verzamel voldoende gegevens in beide categorieën, vermijd perfecte separatie en valideer met goodness-of-fit-statistieken en residuendiagnostiek. Resultaten komen met betrouwbaarheidsintervallen, standaard 95%.
Laatst beoordeeld
Belangrijkste conclusie
Binaire logistische regressie modelleert de relatie tussen één of meer voorspellers en een respons met precies twee uitkomsten, zoals goed/fout of defect/niet-defect, en voorspelt de kans op elke uitkomst.
Op deze pagina
Wat is binaire logistische regressie?
Binaire logistische regressie is een statistische tool om de relatie te analyseren tussen een of meer voorspellende variabelen en een categorische responsvariabele met precies twee uitkomsten — zoals goed/fout, ja/nee of defect/niet-defect. Zij voorspelt de kans dat de ene uitkomst optreedt ten opzichte van de andere, op basis van de waarden van de voorspellers.
Wanneer gebruikt u binaire logistische regressie?
Voorspellende variabelen
- Voorspellers kunnen continu, categorisch of een combinatie van beide zijn
- Discrete variabelen kunt u als continu of als categorisch behandelen, afhankelijk van het aantal niveaus en het doel van de analyse
- Slechts één continue voorspeller met een continue respons → gebruik Fit Line Model
- Meerdere voorspellers met een continue respons → gebruik Fit Regression Model
Responsvariabele
- De respons moet precies twee categorieën hebben (bijvoorbeeld goed/fout, ja/nee, goed/slecht)
- Als de respons continu is → gebruik Fit Regression Model
- Als de respons drie of meer ongeordende categorieën heeft → gebruik Nominal Logistic Regression
- Als de respons drie of meer geordende categorieën heeft → gebruik Ordinal Logistic Regression
Richtlijnen voor correct gebruik van binaire logistische regressie
- De responsvariabele moet precies twee categorieënhebben; heeft zij er meer, gebruik dan in plaats daarvan Ordinal of Nominal Logistic Regression.
- Voorspellers kunnen continu of categorischzijn; zorg dat elke variabele correct is geclassificeerd voordat u de analyse uitvoert.
- Zorg dat de gegevens de doelpopulatie nauwkeurig weergeven; vertekende of onvolledige gegevens leveren onbetrouwbare voorspellingen op.
- Verzamel voldoende gegevenspunten voor beide categorieën — heel weinig waarnemingen in één categorie maakt het model instabiel en de voorspellingen onbetrouwbaar.
- Meet alle variabelen zo nauwkeurig mogelijk; fouten in de invoergegevens verlagen direct de nauwkeurigheid van de voorspelde kansen.
- Leg de gegevens vast in de volgorde waarin ze worden verzameld , zodat u tijdsgebonden patronen kunt herkennen die de resultaten kunnen beïnvloeden.
- Valideer het model na het schatten met goodness-of-fit-statistieken en residuendiagnostiek; een slecht passend model levert misleidende voorspellingen op.
- Vermijd perfecte separatie — waarbij één voorspeller de twee categorieën volledig scheidt — omdat dit schattingsproblemen in het model veroorzaakt.
Alternatieven: wanneer u binaire logistische regressie niet gebruikt
- Als de responsvariabele continuis, gebruik dan in plaats daarvan Fit Regression Model .
- Als u slechts één continue voorspeller hebt met een continue respons, gebruik dan in plaats daarvan Fit Line Model .
- Als de respons drie of meer ongeordende categorieënheeft, gebruik dan in plaats daarvan Nominal Logistic Regression .
- Als de respons drie of meer geordende categorieënheeft, gebruik dan in plaats daarvan Ordinal Logistic Regression .
- Als u één categorische voorspeller hebt met een continue respons, gebruik dan in plaats daarvan One-Way ANOVA .
Zo voert u een binaire logistische regressie uit
De stappen zijn als volgt:
- Log in bij Zometric Statistical Software op https://statsai.zometric.com/
- Kies op de startpagina Statistical Tool>Regression >Binary Logistic Regression .
- Klik op Binary Logistic Regression om het dashboard te openen.
- Voer vervolgens de gegevens handmatig in, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-blad en plak (Ctrl+V) ze hier.
- Vul de vereiste opties in die links worden getoond.
- Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.
Op het dashboard van Binary Logistic Regression is het venster in twee delen verdeeld.

Links staat het Data Pane. In het Data Pane vormt elke rij één subgroep. U kunt de gegevens handmatig invoeren, of ze volledig kopiëren (Ctrl+C) uit een Excel-blad en hier plakken (Ctrl+V).
Load example: Voorbeeldgegevens worden geladen.
Load File: Hiermee laadt u de Excel-gegevens rechtstreeks.
Rechts staan veel opties, als volgt:
- Response De uitkomstvariabele die u wilt voorspellen; zij moet precies twee categorieënbevatten, zoals goed/fout, ja/nee of defect/niet-defect. Het model berekent de kans dat de ene categorie optreedt ten opzichte van de andere, op basis van de ingevoerde waarden van de voorspellers.
- Categorical Predictor Een voorspellende variabele met een vaste set afzonderlijke groepen of labels, zoals ploeg, machinetype of leverancier. Het model schat hoe het behoren tot elke groep de kans verandert dat de respons in de ene categorie valt in plaats van in de andere.
- Continuous Predictor Een voorspellende variabele met meetbare numerieke waarden, zoals temperatuur, snelheid of gewicht. Het model schat hoe een toename van deze variabele met één eenheid de kans op de responsuitkomst vergroot of verkleint.
- Confidence Interval Een bereik van waarden waarbinnen het ware resultaat waarschijnlijk valt. De standaardwaarde is 95%, wat betekent dat u er 95% zeker van bent dat de ware kans of coëfficiënt binnen dat bereik ligt. Dit is standaard 95% omdat dat de algemeen aanvaarde norm is die statistische betrouwbaarheid en praktische bruikbaarheid in balans brengt — smal genoeg om nuttig te zijn, breed genoeg om onzekerheid op te vangen.
- Type of Confidence Interval
- Two-Sided — geeft zowel een onder- als een bovengrens en toont het bereik waarin de ware waarde aan beide kanten waarschijnlijk valt. Gebruik dit wanneer u elk verschil wilt opsporen, hoger of lager. Dit is de standaardoptie en de meest gebruikte.
- Upper Bound — geeft alleen de bovengrens en toont de hoogste waarde die het ware resultaat waarschijnlijk bereikt. Gebruik dit wanneer u alleen wilt weten of de waarde een bepaalde drempel overschrijdt.
- Lower Bound — geeft alleen de ondergrens en toont de laagste waarde die het ware resultaat waarschijnlijk heeft. Gebruik dit wanneer u alleen wilt weten of de waarde onder een bepaalde drempel komt.
Veelgestelde vragen
Wat is binaire logistische regressie?
Binaire logistische regressie analyseert de relatie tussen een of meer voorspellende variabelen en een categorische respons met precies twee uitkomsten, zoals goed/fout, ja/nee of defect/niet-defect. Zij voorspelt de kans dat de ene uitkomst optreedt ten opzichte van de andere, uit de waarden van de voorspellers. Voorspellers kunnen continu, categorisch of een combinatie van beide zijn.
Wanneer gebruikt u binaire logistische regressie in plaats van andere regressiemethoden?
Gebruik haar wanneer de respons precies twee categorieën heeft. Is de respons continu, gebruik dan Fit Regression Model, of Fit Line Model voor één continue voorspeller. Heeft de respons drie of meer ongeordende categorieën, gebruik dan Nominal Logistic Regression; bij drie of meer geordende categorieën Ordinal Logistic Regression.
Aan welke eisen moet een betrouwbare binaire logistische regressie voldoen?
Verzamel voldoende gegevenspunten in beide responscategorieën, want heel weinig waarnemingen in één categorie maken het model instabiel. Classificeer elke voorspeller correct als continu of categorisch, gebruik representatieve en nauwkeurig gemeten gegevens, en vermijd perfecte separatie, waarbij één voorspeller de twee categorieën volledig scheidt, omdat dit schattingsproblemen veroorzaakt. Valideer het model met goodness-of-fit-statistieken en residuendiagnostiek.
Hoe voert u binaire logistische regressie uit in Zometric Statistical Software?
Kies Statistical Tool > Regression > Binary Logistic Regression en voer de gegevens in, plak of laad ze. Selecteer de Response met twee categorieën, de kolommen voor Categorical Predictor en Continuous Predictor, stel het niveau van het betrouwbaarheidsinterval in (standaard 95%) en het type betrouwbaarheidsinterval (tweezijdig, bovengrens of ondergrens), en klik op Calculate.
