¿Cómo explicarías los coeficientes logit a alguien sin formación estadística

Question

Pregunta similar aquí .

La pregunta que he destacado anteriormente ofrece una visión general de cómo funcionan los modelos lineales generalizados. Sin embargo, me parece que la gente a menudo quiere más y pregunta cómo se calculan los coeficientes, y cómo los coeficientes se convierten en odds-ratios o probabilidades predichas.

Así pues, si tuviera que explicar los modelos logit a alguien sin experiencia en modelización estadística, ¿cómo explicaría el proceso de pasar de los datos a los coeficientes, y luego a los cocientes de probabilidades y/o a las probabilidades predichas con la menor cantidad de matemáticas posible?

1. ¿Cómo toma el modelo los datos y produce coeficientes específicos?
2. ¿Cómo podemos obtener información útil de estos coeficientes? Es difícil evitar las matemáticas en este caso, ya que es importante señalar cómo se calculan la curva de probabilidad o los cocientes de probabilidades.

Mi pregunta se refiere más a la 1. que a la 2.

Answer 1

Al igual que @gung yo evitaría la parte 1 por completo. Pero creo que las probabilidades y el ratio de probabilidades se pueden explicar de forma bastante sencilla. La gente está familiarizada con las probabilidades (por las apuestas) y un ratio es una fracción. Yo escribí regresión logística en mi blog, está escrito para los neófitos.

Answer 2

He tenido cierto éxito explicando la regresión logística a personas instruidas que no son estadísticos dibujando la curva logística, con el eje Y como probabilidad de 0 a 1, y explicando cómo el coeficiente indica ese cambio marginal en la ubicación a lo largo de la curva S, que corresponde a una probabilidad dada. Ayuda a entender que el modelo supone que los coeficientes son sólo aditivos en la escala logit, lo que es bastante no lineal y utiliza una interpretación diferente a la de, por ejemplo, un modelo de probabilidad lineal. Por ejemplo, un coeficiente grande (en una variable ficticia, por ejemplo) significa menos cuando el intercepto es muy grande o pequeño que si el intercepto está cerca de cero.