[en] Regression is a commonly used technique for describing the relationship between a response variable and one or more explanatory variables. When the response variable is a categorical variable, usual regression based on ordinary least squares should be replaced by logistic regression. Binary logistic regression should be used to perform a regression on a dichotomous response. Nominal polytomous logistic regression applies to a categorical response variable that has more than two levels with a natural ordering. And ordinal polytomous logistic regression is used when the response is a categorical variable that has more than two levels with a natural ordering. This note gives an overview of these logistic regression methods and describes three models commonly used when performing ordinal logistic regression. These models are illustrated by an example related to oak decline in the Walloon Region (Belgium). [fr] La régression est une technique très couramment utilisée pour décrire la relaton existant entre une variable à expliquer et une ou plusieurs variables explicatives. Lorsque la variable à expliquer est une variable qualitative, la régression linéaire classique au sens des moindres carrés doit être abandonnée au profit de la régression logistique. Si la variable à expliquer ne présente que deux modalités, on utilise la régression logistique binaire. Si elle présente plus de deux modalités et si celles-ci ne sont pas ordonnées, on doit employer la régression logistique polychotomique nominale. Enfin, si la variable à expliquer présente plus de deux modalités et que celles-ci sont ordonnées, la méthode à exploiter est la régression polychotomique ordinale. Cette note décrit ces trois méthodes de régression logistique et, pour la régression ordinale, elle présente les trois modèles les plus souvent utilisés. Ces modèles sont illustrés par un exemple relatif au dépérissement du chêne en Région wallonne (Belgique).
Disciplines :
Life sciences: Multidisciplinary, general & others Mathematics
Author, co-author :
Gillet, Adeline; Centre de Recherche Gabriel Lippmann (Luxembourg) > Environnement et Agro-biotechnologies
Brostaux, Yves ; Université de Liège - ULiège > Sciences agronomiques > Statistique, Inform. et Mathém. appliquée à la bioingénierie
Palm, Rodolphe ; Université de Liège - ULiège > Sciences agronomiques > Statistique, Inform. et Mathém. appliquée à la bioingénierie
Language :
French
Title :
Principaux modèles utilisés en régression logistique
Alternative titles :
[en] Main models used in logistic regression
Publication date :
2011
Journal title :
Biotechnologie, Agronomie, Société et Environnement
ISSN :
1370-6233
eISSN :
1780-4507
Publisher :
Presses Agronomiques de Gembloux, Gembloux, Belgium
Agresti A., 2002. An introduction to categorical data analysis. New York, USA: Wiley.
Allison P.D., 1999. Logistic regression using SAS system: theory and application. Cary, NC, USA: SAS Institute.
Brant R., 1990. Assessing proportionality in the proportional odds model for ordinal logistic regression. Biometrics, 46, 1171-1178.
Clogg C.C. & Shihadeh E.S., 1994. Statistical models for ordinal variables. Thousand Oaks, CA, USA: Sage.
Collett D., 1999. Modelling binary data. London: Chapman & Hall/CRC.
Duyme F. & Claustriaux J.J., 2006. La régression logistique binaire. Notes de statistique et d'informatique. Gembloux, Belgique: Faculté universitaire des Sciences agronomiques de Gembloux.
Gillet A., 2005. Influences stationnelle, sylvicole et spécifique sur le dépérissement des chênes indigenes (Quercus robur L. et Quercus petraea [Matt.] Liebl.) en Région Wallonne. Mémoire: Faculté universitaire des Sciences agronomiques de Gembloux (Belgique).
Gillet A., 2007. Régression logistique polychotomique ordinale. Travail de fin d'étude réalisé dans le cadre du diplôme d'Études approfondies en Statistique et Informatique appliquées: Faculté universitaire des Sciences agronomiques de Gembloux (Belgique).
Hosmer D.W. & Lemeshow S., 2000. Applied logistic regression. New York, USA: Wiley.
Long J.S., 1997. Regression models for categorical and limited dependent variables. Thousand Oaks, CA, USA: Sage.
O'Connell A., 2000. Methods for modelling ordinal outcome variables. Meas. Eval. Counseling Dev., 33(3), 170-193.
SAS Institute, 1995. Logistic regression examples using SAS system. Cary, NC, USA: SAS Institute.
Stokes M.E., Davsi C.S. & Koch G.G., 2000. Categorical analysis using SAS System. 2nd ed. Cary, NC, USA: SAS Institute.
