Regresja logistyczna w pracy magisterskiej. Czyli jak ogarnąć świat 0 i 1

• Przykład z życia studenta:
  Chcesz przewidzieć, czy zdasz egzamin (1=tak, 0=nie) na podstawie godzin nauki, poziomu stresu i kawy. Model da Ci np. 0,81 → „Masz 81% szans na zdanie.”
• Kiedy używać?
  Gdy wynik jest kategoryczny (0/1). Jeśli wynik to liczba punktów, użyj regresji liniowej/wielorakiej.
• Co podać w pracy?
• ilorazy szans (OR) i ich 95% PU,
• p-value dla istotności,
• miary dopasowania (np. Nagelkerke R², AUC z krzywej ROC, dokładność klasyfikacji),
• jasno zdefiniowany próg decyzji (np. 0,5).

Jak regresja logistyczna działa w praktyce –Jamovi

Gdy wynik jest 0/1 (tak/nie) i chcesz sprawdzić, co zwiększa szansę na „tak” (np. zdanie egzaminu) — to właśnie to narzędzie.

A.Wczytaj swoje dane i ustaw typy

1. Plik → Otwórz → Przeglądaj → wybierz swój plik, u mnie: csv.
2. Ustaw typy zmiennych (klik w ikonkę przy nazwie kolumny):
   • Zdal → nominalna (2 kategorie) i upewnij się, że poziomy to 0 = „0/nie”, 1 = „1/tak”.
   • Godziny, Stres, Kawa → skala.
   • Korepetycje → nominalna („tak/nie”).

Tip: jeśli widzisz, że Jamovi traktuje Zdal jako liczbę (skala), ustaw mu typ nominalny 2-kateg.

B. Odpal model

1. Analizy → Regresja → Regresja logistyczna.
2. Ustaw pola:
   • Zmienna zależna: Zdal
   • Kowariaty: Godziny, Stres, Kawa
   • Czynniki: Korepetycje (bo to kategoria „tak/nie”)
3. Poziomy referencyjne (Reference levels):
   • Dla Korepetycje ustaw bazę na „nie” (żeby OR mówiło „jak zmienia się szansa przy tak względem nie”).
   • Dla Zdal sprawdź, że „1” jest traktowane jako „sukces/zdane”. Jeśli jest odwrotnie, zamień poziomy.

C. Zaznacz opcje do raportu

• Oszacowania / Współczynniki:
  • ✅ Ilorazy szans (OR)
  • ✅ Przedziały ufności 95%
  • ✅ p-value
• Dopasowanie:
  • ✅ Pseudo R² (Nagelkerke)
  • ✅ Test ogólny/Omnibus (χ² modelu)
• Klasyfikacja / Predykcja:
  • ✅ Macierz klasyfikacji
  • ✅ ROC / AUC (krzywa i pole pod krzywą)
• (Opcjonalnie) Diagnostyka: reszty, wpływ punktów (dobrze mieć przy większych próbach)

Klik — i gotowe.

Jak czytać wyniki regresji logistycznej

• OR (odds ratio):
  • OR > 1 → czynnik zwiększa szansę zdania (1)
  • OR < 1 → zmniejsza
  • p < 0,05 → istotne statystycznie
• Nagelkerke R² → „jak dobrze” model łapie zależność (im wyżej, tym lepiej)
• AUC → zdolność rozróżniania „zda/nie zda” (0,5 słabo, ≥ 0,7 ok, ≥ 0,8 dobrze)
• Macierz klasyfikacji → ile przypadków trafiliśmy poprawnie, a ile pomyliliśmy

Interpretacja

Zastosowano regresję logistyczną (Zmienna zależna: „Zdał”, kodowanie 1 = zdał, 0 = nie). Model okazał się istotny statystycznie w teście ogólnym (χ²(4) = 27,5; p < 0,001) i wykazał bardzo wysokie wartości pseudo-R² (McFadden = 1,00; Nagelkerke = 1,00), co sugeruje niemal perfekcyjne dopasowanie do próby (N = 20). Jednocześnie oszacowania współczynników cechowały się bardzo dużymi błędami standardowymi, a przedziały ufności dla ilorazów szans obejmowały zakres 0–∞ (p = 1,000), co wskazuje na zjawisko separacji (quasi/complete separation). Oznacza to, że kombinacja predyktorów niemal idealnie rozdziela obserwacje „zdał” vs „nie zdał”, przez co standardowe estymatory metody największej wiarygodności są niestabilne i niepodlegające interpretacji. W związku z tym wnioski dotyczące wpływu pojedynczych predyktorów należy formułować ostrożnie; w dalszej analizie zalecono uproszczenie modelu i/lub zastosowanie estymacji skorygowanej (np. Firtha) oraz zwiększenie liczebności próby.

Co wkleić do pracy — szablon

Zastosowano regresję logistyczną w celu identyfikacji czynników zwiększających prawdopodobieństwo zdania egzaminu (Zdal: 1 = zdał, 0 = nie). Do modelu włączono predyktory: Godziny nauki, Stres, Kawa (kowariaty) oraz Korepetycje (czynnik: tak/nie; poziom referencyjny: „nie”).
Model był istotny (test Omnibus: χ² = …; p = …) i wykazał pseudo R² Nagelkerke = ….
Istotne okazały się: [np. Godziny] (OR = …; 95% PU: …–…; p = …) oraz [np. Korepetycje: tak vs nie] (OR = …; 95% PU: …–…; p = …), co oznacza, że wzrost liczby godzin oraz udział w korepetycjach zwiększał szansę zdania. Stres zmniejszał szansę (OR = …; p = …). Kawa nie osiągnęła istotności (p > 0,05).
Trafność klasyfikacji wyniosła …%, a AUC = …, co wskazuje na [umiarkowane/dobre] własności predykcyjne modelu. Przyjęto próg decyzji 0,50.

Kiedy używać regresji logistycznej?

Przykłady zastosowań regresji logistycznej -studenckie i badawcze

Nauki o zdrowiu / pielęgniarstwo / medycyna

• Czy pacjent przerywa terapię w 3 mies. (tak/nie) na podstawie wieku, wsparcia rodziny, działań niepożądanych.
• Ryzyko rehospitalizacji w 30 dni (tak/nie) vs. choroby współistniejące, długość hospitalizacji, plan wypisu.
• Wystąpienie nadciśnienia (tak/nie) vs. BMI, aktywność, dieta, palenie.

Psychologia / pedagogika

• Ryzyko epizodu depresyjnego (tak/nie) vs. stres, sen, wsparcie społeczne, używanie social mediów.
• Ukończenie kursu e-learning (tak/nie) vs. liczba logowań, czas na platformie, terminowość zadań.
• Wagarowanie (tak/nie) vs. klimat klasy, relacja z nauczycielem, dojazd.

Zarządzanie / HR

• Rotacja pracownika w 6 mies. (tak/nie) vs. płaca, sens pracy, relacje w zespole, praca zdalna.
• Aplikacja przyjęta do pracy (tak/nie) vs. doświadczenie, kompetencje, dopasowanie kulturowe.
• Udział w szkoleniu (tak/nie) vs. staż, ścieżka kariery, styl lidera.

Ekonomia / finanse / marketing

• Niewypłacalność kredytu (tak/nie) vs. historia spłat, DTI, dochód, wiek.
• Kliknięcie reklamy (tak/nie) vs. format kreacji, pora emisji, segment odbiorcy.
• Odejście klienta (churn) (tak/nie) vs. korzystanie z usług, reklamacje, rabaty.

Informatyka

• Wykrycie spamu (tak/nie) vs. cechy wiadomości.
• Wykrycie ataku logowania (tak/nie) vs. godzina, IP, liczba prób.
• Aktywacja użytkownika po 7 dniach (tak/nie) vs. pierwsze zachowania w aplikacji.

Administracja publiczna / bezpieczeństwo / prawo

• Udział w programie społecznym (tak/nie) vs. dochód, wykształcenie, liczba dzieci.
• Ryzyko wykroczenia drogowego (tak/nie) vs. wiek kierowcy, przebieg, typ drogi.
• Zgłoszenie przemocy domowej (tak/nie) vs. dostęp do instytucji, wcześniejsze interwencje.

Leśnictwo / ochrona środowiska /

• Obecność gatunku w płacie leśnym (tak/nie) vs. wilgotność, typ siedliska, zwarcie drzewostanu.
• Wystąpienie pożaru w sezonie (tak/nie) vs. susza, wiatr, działalność człowieka.
• Przekroczenie norm hałasu (tak/nie) vs. ruch drogowy, zabudowa, pora dnia.

Inżynieria / logistyka

• Awaria maszyny w tygodniu (tak/nie) vs. czas pracy, temperatura, tryb zmiany.
• Reklamacja produktu (tak/nie) vs. kontrola jakości, dostawca, transport.
• Dostawa na czas (tak/nie) vs. obłożenie magazynu, trasa, przewoźnik.

Socjologia / politologia

• Udział w wyborach (tak/nie) vs. wiek, wykształcenie, zainteresowanie polityką.
• Aktywność w organizacji pozarządowej (tak/nie) vs. kapitał społeczny, czas wolny, miejsce zamieszkania.
• Deklaracja migracji (tak/nie) vs. sytuacja zawodowa, sieci społeczne, postrzeganie usług publicznych.

Sport / fizjoterapia

• Uraz w sezonie (tak/nie) vs. obciążenie treningowe, sen, wcześniejsze urazy.
• Powrót do gry do 8 tyg. (tak/nie) vs. protokół rehabilitacji, wiek, typ urazu.
• Zaliczenie testu sprawności (tak/nie) vs. dieta, trening siłowy, mobilność.

Plusy i minusy regresji logistycznej w pracy magisterskiej

Słowo-klucz: prawdopodobieństwo zdarzenia 0/1.

Plusy

• Idealna do „tak/nie”. Kiedy wynik jest binarny (zdał/nie, chory/zdrowy), logistyczna trafia w punkt.
• Czytelna interpretacja. Dostajesz prawdopodobieństwo i iloraz szans (OR) — łatwo powiedzieć, o ile rośnie lub spada szansa na „1”.
• Dostępna w narzędziach. Zrobisz ją w Jamovi/SPSS/R (a nawet w Excelu z pakietami), więc nie musisz znać zaawansowanego kodu.

Minusy

• Nie przewiduje liczb. Jeśli chcesz „ile punktów”/„ile złotych”, to nie ten model — wtedy regresja liniowa/wieloraka.
• Lubi większe próby. Małe N = niestabilne wyniki, ryzyko separacji i ogromnych błędów standardowych.
• Próg decyzji ma znaczenie. Ustalając np. 0,50 jako granicę „tak/nie”, wpływasz na to, ile będzie fałszywych alarmów i przeoczeń — warto pokazać też AUC/ROC.

Jak wykorzystać regresje logistyczną w pracy dyplomowej?

Słowo-klucz: od pytania badawczego do raportu.

Kiedy i jak

• Kiedy? Gdy wynik jest 0/1 (np. „czy student zda egzamin?”, „czy klient odejdzie?”).
• Co przygotować?
  1. Jasno zdefiniuj „1” i „0” (np. „zdał” = ≥ 51% punktów).
  2. Wybierz predyktory z sensem (literatura, logika; bez „wrzucam wszystko”).
  3. Uruchom model (np. w Jamovi): Zmienna zależna = 0/1, predyktory jako kowariaty/czynniki.
  4. Sprawdź dopasowanie: test ogólny (χ²), Pseudo R² (Nagelkerke), AUC/ROC, macierz klasyfikacji.

Co raportować (must-have)

• OR (iloraz szans) z 95% PU i p-value dla każdego predyktora.
• Miary dopasowania: Nagelkerke R² (jak „mocno” model wyjaśnia), AUC (jak dobrze rozróżnia 0 vs 1), trafność klasyfikacji.
• Próg decyzji (np. 0,50) + krótkie uzasadnienie, dlaczego taki.
• Jedno zdanie po ludzku, co to znaczy praktycznie (np. „każda dodatkowa godzina nauki zwiększa szansę zdania o 30%”).

Regresja logistyczna podsumowanie

I tak oto dobrnęliśmy do końca przygody z regresją logistyczną. Na początku wyglądało groźnie – jakby to miało coś wspólnego z kurierem i paczkami, ale w rzeczywistości to całkiem przyjazne narzędzie. Daje Ci odpowiedzi na pytania z gatunku „tak albo nie” i pozwala zabłysnąć w pracy dyplomowej czymś więcej niż tabelką ze średnimi.

Pamiętaj: regresja logistyczna nie powie Ci, ile litrów kawy musisz wypić, żeby zdać egzamin, ale powie Ci, jakie masz szanse, że go zdasz – a to już całkiem niezła podpowiedź.

Na obronie możesz śmiało rzucić: „Zastosowałem regresję logistyczną, bo chciałem sprawdzić, co naprawdę zwiększa szanse na sukces, a nie tylko zgadywać”. Brzmi poważnie, ale Ty wiesz, że to po prostu statystyczna wersja gry w „tak czy nie”.

👉 Morał na koniec? Regresja logistyczna nie przywiezie Ci paczki, ale dowiezie Cię do zaliczenia. 📦📊✅

Trochę już wiem o regresji logistycznej  pracy magisterskiej. Teraz chcę poznać proces pisania

Naucz się pisać pracę w godzinę. Sprawdź e-book.

Zobacz, jakie materiały mogę Ci jeszcze zaproponować.
–>Sklep Magistra na 5

Jeżeli potrzebujesz pomocy, po prostu napisz.
–> Wyślij pytanie

Nie zapomnij o prezencie!