SPSS 통계 이용방법 가이드: 10일차 - 로지스틱 회귀 분석 (Logistic Regression Analysis)

SPSS 통계 이용방법 가이드: 10일차 - 로지스틱 회귀 분석 (Logistic Regression Analysis)

**로지스틱 회귀 분석(Logistic Regression)**은 이진형 또는 범주형 종속 변수를 예측하는 데 사용되는 통계 기법입니다. 예를 들어, "구매 여부(Yes/No)"나 "합격 여부(Pass/Fail)"를 예측하는 데 매우 유용합니다. 오늘은 SPSS를 활용해 로지스틱 회귀 분석을 실행하고, 결과를 해석하는 방법을 알아보겠습니다.

---

1. 로지스틱 회귀 분석이란?

로지스틱 회귀 분석의 특징:

• 종속 변수: 이진형(예: Yes/No, 0/1) 또는 범주형 데이터.
• 독립 변수: 연속형 또는 범주형 변수 모두 가능.
• 결과 해석: 종속 변수를 특정 범주로 분류할 확률(예: 구매할 확률)을 계산.

활용 사례:

1. 마케팅: 고객이 상품을 구매할 확률 예측.
2. 의료: 특정 질병 진단 여부 예측.
3. 교육: 학생의 시험 합격 여부 예측.

---

2. SPSS에서 로지스틱 회귀 분석 실행하기

실습: 구매 여부 예측

독립 변수(연령, 월 소득, 광고 노출 횟수)가 고객의 구매 여부(구매=1, 미구매=0)에 미치는 영향을 분석해보겠습니다.

1. 데이터 준비:
   • 종속 변수: Purchase (구매 여부, 1=구매, 0=미구매)
   • 독립 변수: Age (연령), Income (월 소득), Ad_Exposure (광고 노출 횟수)
2. 로지스틱 회귀 분석 실행:
   • 메뉴에서 Analyze > Regression > Binary Logistic을 클릭합니다.
3. 변수 설정:
   • "Dependent"에 Purchase를 추가합니다.
   • "Covariates"에 Age, Income, Ad_Exposure를 추가합니다.
4. 옵션 설정:
   • "Categorical" 버튼을 클릭하여 범주형 독립 변수가 있다면 설정합니다(예: 성별).
   • "Save" 버튼을 클릭하여 예측 확률(Predicted Probability)을 저장할 수 있습니다.
5. 결과 확인:
   • "OK"를 클릭하면 로지스틱 회귀 분석 결과가 출력됩니다.

---

3. 결과 해석하기

A. 모형 적합도(Model Fit):

• -2 Log Likelihood: 모델이 데이터를 얼마나 잘 설명하는지 나타냅니다. 값이 작을수록 적합도가 높습니다.
• Hosmer-Lemeshow Test:
  • p-값 > 0.05이면 모델이 데이터를 잘 설명한다고 볼 수 있습니다.

B. 변수의 유의성(Significance):

• Wald 통계량과 p-값(Sig.):
  • p < 0.05인 변수는 종속 변수에 통계적으로 유의미한 영향을 미칩니다.

C. Exp(B) 값 (오즈비, Odds Ratio):

• Exp(B): 독립 변수가 종속 변수에 미치는 영향을 비율로 나타냅니다.
  • Exp(B) > 1: 독립 변수가 증가할수록 종속 변수가 발생할 확률이 증가.
  • Exp(B) < 1: 독립 변수가 증가할수록 종속 변수가 발생할 확률이 감소.

---

4. 예측 확률 계산하기

SPSS에서 로지스틱 회귀 분석 결과를 활용해 고객의 구매 확률을 예측할 수 있습니다.

실습:

1. "Save" 버튼에서 Predicted Probability를 선택했다면, 데이터 뷰에 예측 확률 변수가 추가됩니다.
2. 예: 고객의 구매 확률이 0.75라면, 해당 고객이 구매할 가능성이 75%라는 의미입니다.

---

5. 로지스틱 회귀 분석 결과 시각화

ROC 곡선 (Receiver Operating Characteristic Curve):

1. 메뉴에서 Analyze > ROC Curve를 클릭합니다.
2. 종속 변수(Purchase)와 예측 확률(Predicted Probability)을 선택합니다.
3. "OK"를 클릭하면 ROC 곡선과 AUC(Area Under Curve) 값이 출력됩니다.
   • AUC 값이 0.7 이상이면 모델의 예측력이 양호함을 의미합니다.

---

6. 로지스틱 회귀 분석 결과 활용하기

활용 사례:

1. 마케팅: 구매 확률이 높은 고객을 타겟팅하여 맞춤형 광고 캠페인 실행.
2. 의료: 질병 발생 확률이 높은 환자를 조기에 발견하고 예방 조치 시행.
3. 교육: 시험 합격 가능성이 낮은 학생을 대상으로 추가 학습 지원 제공.

---

7. 오늘의 실습 목표

1. SPSS에서 로지스틱 회귀 분석을 실행하고, 주요 변수의 유의성을 평가하세요.
2. Exp(B) 값을 활용해 변수의 영향을 해석하세요.
3. ROC 곡선을 통해 모델의 예측력을 검증해보세요.

---

8. 마무리

로지스틱 회귀 분석은 이진형 결과를 예측하는 데 매우 강력한 도구입니다. 오늘 배운 내용을 바탕으로 데이터를 분석하고, 예측 모델을 활용해 보세요. 다음 11일차에서는 **생존 분석(Survival Analysis)**을 다룰 예정입니다.

궁금한 점이나 어려운 부분이 있다면 댓글로 남겨주세요! 😊 함께 해결하겠습니다.