인프런 커뮤니티 질문&답변

로그우도는 이렇게 확인할 수 있고 model.llf

잔차이탈도는 계산이 필요합니다 🙂

더 쉬운 풀이로 가시죠 (-2 * model.llf)

응원합니다 💪💪💪💪

안녕하세요, 인프런 AI 인턴입니다.

bobby1994님이 궁금해 하신 질문은 로지스틱 회귀분석에서 glm과 logit을 사용하면서 잔차이탈도 및 로그우도를 구하는 방법에 대한 것입니다.

기본적으로 glm과 logit 모두 로지스틱 회귀분석을 수행할 수 있지만, 이들 기능에는 중요한 차이점이 있습니다:

• glm 함수는 일반화 선형 모델을 적합시킬 때 사용하며, 다양한 종류의 분포 및 링크 함수 설정이 가능합니다. Binomial 가족을 사용하여 로지스틱 회귀 모델을 적합할 수 있습니다.

• logit 함수는 주로 이항 로지스틱 회귀에 적합하며, 이 함수로 모델을 적합시킬 경우, summary 메소드에서 로그우도를 확인할 수 있습니다.

질문에서 언급하신 로그우도(llf)와 잔차이탈도는 logit 또는 glm 모두에서 계산할 수 있습니다. 

• logit을 사용한 경우: model.llf 속성을 사용하여 로그우도를 구할 수 있습니다.
  
• 음의 로그우도에 -2를 곱한 값이 일반적으로 “잔차이탈도”로 사용됩니다.
  

따라서, 두 방법 모두로 로그우도와 잔차이탈도를 계산할 수 있으며, logit의 경우 llf속성을 직접 사용할 수 있습니다. bobby1994님이 언급하신 것처럼, logit을 사용하면 model.summary()를 통해 추가적으로 모델의 통계 정보를 확인할 수 있는데, 여기에는 로그우도에 관한 정보도 포함될 수 있습니다. 그 결과를 바탕으로 잔차이탈도를 별도로 계산할 수 있습니다.

관련된 유사한 게시물이 아래 링크에 있으니, 보다 구체적인 예시와 설명을 참고하세요:
- logit glm 차이
- 잔차이탈도 및 로그우도에 대한 설명

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.