The logistic regression model says

The logistic regression model says that the mean of yi is

μi=niπiμi=niπi

where

log(πi1−πi)=xTiβlog(πi1−πi)=xiTβ
and that the variance of yi is

V(yi)=niπi(1−πi)V(yi)=niπi(1−πi).

After fitting the model, we can calculate the Pearson residuals

ri=yi−μ^iV^(yi)−−−−−√=yi−niπ^iniπ^i(1−π^i)−−−−−−−−−−√ri=yi−μ^iV^(yi)=yi−niπ^iniπ^i(1−π^i)
or the deviance residuals. If the ni's are "large enough", these act something like standardized residuals in linear regression. To see what's happening, we can plot them against the linear predictors,

η^i=log(πi1−πi)=xTiβ^iη^i=log(πi1−πi)=xiTβ^i
which are the estimated log-odds of success, for cases i = 1, . . . , N.

Hasil (Bahasa Indonesia) 1:

Model regresi logistik yang mengatakan bahwa berarti yiΜi = niπiμi = niπi manalog (πi1−πi) = xTiβlog (πi1−πi) = xiTβdan bahwa varians dari yiV(Yi)=niπi(1−πi)V(Yi)=niπi(1−πi).Setelah pas model, kita dapat menghitung residu PearsonRI=Yi−μ^iV^(Yi)−−−−−√=Yi−niπ^iniπ^i(1−π^i)−−−−−−−−−−√RI=Yi−μ^iV^(Yi)=Yi−niπ^iniπ^i(1−π^i)atau penyimpangan residu. Jika ni "cukup besar", ini bertindak seperti satu standar residu di regresi linear. Untuk melihat apa yang terjadi, kita dapat plot mereka terhadap pemrediksi linier,Η ^ saya = log (πi1−πi) = xTiβ ^ iη ^ saya = log (πi1−πi) = xiTβ ^ sayayang diperkirakan log-peluang sukses, untuk kasus saya = 1,..., N.

Hasil (Bahasa Indonesia) 2:

Model regresi logistik mengatakan bahwa rata-rata yi adalah μi = niπiμi = niπi mana log (πi1-πi) = xTiβlog (πi1-πi) = xiTβ dan bahwa varians dari yi adalah V (yi) = niπi (1-πi) V (yi) = niπi (1-πi). Setelah pas model, kita dapat menghitung Pearson residual penyimpangan. Jika ni adalah "cukup besar", ini bertindak sesuatu seperti residual standar dalam regresi linear. Untuk melihat apa yang terjadi, kita bisa plot mereka terhadap prediktor linier, η ^ i = log (πi1-πi) = xTiβ ^ iη ^ i = log (πi1-πi) = xiTβ ^ i yang diperkirakan log-peluang sukses , untuk kasus i = 1,. . . , N.