Prace dyplomowe · jamovi

Regresja logistyczna w jamovi krok po kroku

Od okna 2 Outcomes do zapisu APA: Factors czy Covariates, poziom referencyjny wyniku i kategorii, bloki w Model Builder, ilorazy szans z przedziałami ufności, pseudo-R², tabela klasyfikacji, AUC i zmiana punktu odcięcia. Z plikiem CSV i .sav do ćwiczeń.

Strona główna / Blog / Regresja logistyczna w jamovi
W skrócie: Regresję logistyczną policzysz w jamovi przez Analyses → Regression → 2 Outcomes (Binomial). Zmienną zależną ustaw jako Nominal, predyktory ilościowe wpisz do Covariates, a kategorialne do Factors. W Reference Levels sprawdź poziom referencyjny wyniku: model opisuje szanse drugiego poziomu, a nota pod tabelą współczynników mówi, których szans dotyczą oszacowania. Zaznacz Overall model test, Odds ratio z przedziałem ufności, Likelihood ratio tests, tabelę klasyfikacji i AUC.

Kiedy regresja logistyczna i co zrobisz w jamovi

Regresja logistyczna przewiduje wynik o dwóch wartościach, a jej współczynniki przelicza się na ilorazy szans (OR). Logikę modelu omawia poradnik regresja logistyczna krok po kroku, a ten sam model w SPSS – wpis regresja logistyczna w SPSS. Tu pokazujemy jamovi; interfejs programu opisuje wpis jamovi krok po kroku.

Menu i nazwy opcji sprawdziliśmy w dokumentacji jamovi (The jamovi project, b.d.) i w definicji analizy w pakiecie jmv, który wykonuje obliczenia jamovi (Selker i in., 2025). Podajemy je po angielsku; polskie odpowiedniki pochodzą z pliku tłumaczeń jmv i w Twojej wersji mogą brzmieć inaczej.

Przykład. 260 studentów (dane symulowane) podało, czy w ostatnim roku skorzystało z konsultacji psychologicznej (konsultacja: 0 = nie, 1 = tak). Predyktory to stres w ostatnim miesiącu (średnia ze skali 1–5, stres), wsparcie społeczne (średnia 1–7, wsparcie) i kierunek studiów (kierunek: 1 = psychologia, 2 = pedagogika, 3 = informatyka). Dane pobierzesz jako plik CSV (same kody liczbowe) albo plik .sav z etykietami zmiennych i wartości.

Przygotowanie danych: typy zmiennych i poziomy

Dwuklik na nagłówku kolumny otwiera edytor zmiennej: typ pomiaru (Measure type), etykiety i kolejność poziomów oraz kody braków (Missing values) (The jamovi project, b.d.).

  • Zmienna zależna: konsultacja jako Nominal z etykietami „nie” (0) i „tak” (1). Przy więcej niż dwóch poziomach jamovi przerwie analizę z komunikatem (Selker i in., 2025).
  • Predyktor kategorialny: kierunek też jako Nominal, z etykietami. Kolejność poziomów ma znaczenie: poziom na górze listy w edytorze zmiennej jest pierwszy w tabelach (The jamovi project, b.d.), a pierwszy poziom staje się domyślnie poziomem referencyjnym (krok 2).
  • stres i wsparcie – Continuous.
  • Braki: osoba z brakiem w którejkolwiek zmiennej modelu wypada z analizy. Kody typu 99 zdefiniuj w Missing values.

Statystyki opisowe z Exploration → Descriptives (z opcją tabeli częstości): z konsultacji skorzystały 64 osoby (24.6%), stres M = 3.06 (SD = 0.73), wsparcie M = 4.94 (SD = 1.04; 255 ważnych odpowiedzi). Po usunięciu braków w modelu zostaje 255 osób, w tym 63 z wynikiem „tak”. Policz zdarzenia, zanim dodasz kolejne predyktory.

Krok 1. Analyses → Regression → 2 Outcomes

Na pasku Analyses wybierz Regression, a w grupie Logistic Regression pozycję 2 Outcomes (podpis Binomial). Okno nazywa się Binomial Logistic Regression (Selker i in., 2025; The jamovi project, b.d.). N Outcomes i Ordinal Outcomes są dla wyniku o kilku kategoriach.

  1. konsultacja przenieś do Dependent Variable.
  2. stres i wsparcie przenieś do Covariates – to pole na predyktory ilościowe.
  3. kierunek przenieś do Factors. jamovi utworzy dwie zmienne zero-jedynkowe (dummy coding), porównujące kierunki z poziomem referencyjnym.

Pułapka: zmienna nominalna w Covariates. Pole Covariates traktuje zmienną jak liczby (Selker i in., 2025), więc kierunek o kodach 1–3 da jeden współczynnik „na jednostkę kodu” (tu OR = 0.813, p = .336). To zakłada, że przejście z psychologii na pedagogikę znaczy to samo co z pedagogiki na informatykę. Zmienną 0/1 wolno wpisać do Covariates, ale zmienną o trzech i więcej kategoriach – tylko do Factors.

Krok 2. Reference Levels – najważniejsza pułapka

W sekcji Reference Levels wybierasz Reference Level dla zmiennej zależnej i każdego czynnika; domyślnie to pierwszy poziom (The jamovi project, b.d.; Selker i in., 2025). Model przewiduje szanse drugiego poziomu zmiennej zależnej względem poziomu referencyjnego. Ustaw:

  • konsultacja: nie – model opisze szanse wyniku „tak”;
  • kierunek: psychologia – pedagogika i informatyka zostaną porównane z psychologią.

Sprawdź to w nocie pod tabelą współczynników, np. Estimates represent the log odds of "konsultacja = tak" vs. "konsultacja = nie". Gdy plik z ankiety ma kody 1 = tak, 2 = nie, pierwszym poziomem jest „tak”: model opisze szanse, że ktoś nie skorzystał z konsultacji, i znaki się odwrócą (tabela 1).

Tabela 1. Ten sam model przy dwóch poziomach referencyjnych zmiennej zależnej (zestawienie z dwóch uruchomień). Liczby policzone pakietem jmv (silnik analiz jamovi).

Ilorazy szans stresu i wsparcia przy poziomie referencyjnym nie oraz tak
PredictorReference Level = nie
(szanse „tak”)
Reference Level = tak
(szanse „nie”)
stresOR = 3.537 [2.154, 5.807]OR = 0.283 [0.172, 0.464]
wsparcieOR = 0.602 [0.439, 0.825]OR = 1.661 [1.212, 2.276]

Prawa kolumna to odwrotności lewej (1 / 3.537 = 0.283). Napisz w pracy, który wynik modelujesz i która kategoria jest odniesieniem.

Krok 3. Model Builder: predyktory w blokach

Sekcja Model Builder pozwala wprowadzać predyktory w blokach, jak w regresji hierarchicznej. Kolejny blok dodasz przyciskiem + Add New Block (The jamovi project, b.d.). W przykładzie Block 1 to kierunek (zmienna kontrolna), a Block 2 – stres i wsparcie. Pytanie: czy stres i wsparcie przewidują konsultację ponad kierunek?

Krok 4. Które opcje zaznaczyć

Tabela 2. Opcje okna Binomial Logistic Regression. Nazwy według definicji analizy w pakiecie jmv (Selker i in., 2025); polskie odpowiedniki z pliku tłumaczeń jmv.

Sekcje okna regresji logistycznej w jamovi, opcje do zaznaczenia i ich polskie nazwy
SekcjaZaznaczW polskiej wersji
Model FitOverall model test; Pseudo R²: Nagelkerke's R², Tjur's R² (McFadden's jest domyślnie); Deviance i AIC są domyślnieDopasowanie modelu; Ogólny test modelu
Model CoefficientsOmnibus Tests: Likelihood ratio tests; Odds Ratio: Odds ratio i Confidence interval (95)Współczynniki modelu; Iloraz szans
Assumption ChecksCollinearity statisticsStatystyki współliniowości
Estimated Marginal Meanspredyktor w polu Term 1; Marginal means tablesOszacowane średnie brzegowe
PredictionClassification table, Accuracy, Specificity, Sensitivity, ROC curve, AUC; Cut-off value (domyślnie 0.5); Cut-off plotPrzewidywanie; Wartość graniczna; Tabela klasyfikacji
SavePredicted values (opcjonalnie)Zapisz; Wartości przewidywane

W sekcji Model Fit polskie tłumaczenie nazywa Deviance „Odchyleniem”. W pracy pisz o dewiancji (−2LL). Okno nie ma testu Hosmera–Lemeshowa (Selker i in., 2025); w razie potrzeby policz go w R albo w SPSS.

Krok 5. Model Fit Measures i Model Comparisons

Tabela 3. Model Fit Measures. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Model Fit Measures dla dwóch modeli w układzie jamovi
ModelDevianceAICR²McFR²CSR²NR²TOverall Model Test
χ²dfp
1283.113289.1130.0070.0080.0120.0082.01820.365
2244.059254.0590.1440.1490.2210.16041.0724< .001

Tabela 4. Model Comparisons. Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Model Comparisons: porównanie modelu 1 i 2 w układzie jamovi
Comparisonχ²dfp
ModelModel
1-239.0542< .001
  • Overall Model Test to test ilorazu wiarygodności: porównuje model z modelem bez predyktorów. Sam kierunek nic nie wnosi, χ²(2) = 2.02, p = .365. Model 2 jest istotny, χ²(4) = 41.07, p < .001.
  • Model Comparisons to przyrost dopasowania po dodaniu bloku 2: Δχ²(2) = 39.05, p < .001. AIC spadło z 289.11 do 254.06.
  • Pseudo-R²: cztery miary dają różne wartości (dla modelu 2 od .14 do .22). Podaj jedną lub dwie z nazwą. Tjur (2009) zaproponował różnicę średnich przewidywanych prawdopodobieństw w obu grupach (tu .16). Nie pisz, że model „wyjaśnia 22% wariancji”: analogi R² nie są odpowiednikiem R² z regresji liniowej (Menard, 2000).

Wyniki modelu 2 wybierzesz z listy Model Specific Results (The jamovi project, b.d.).

Krok 6. Omnibus Likelihood Ratio Tests i Model Coefficients

Tabela 5. Omnibus Likelihood Ratio Tests i Model Coefficients – konsultacja (model 2). Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi.

Tabela Omnibus Likelihood Ratio Tests dla modelu 2 w układzie jamovi
Predictorχ²dfp
kierunek1.11820.572
stres30.2841< .001
wsparcie10.70310.001
Tabela Model Coefficients – konsultacja dla modelu 2 z ilorazami szans i 95% przedziałami ufności w układzie jamovi
PredictorEstimateSEZpOdds ratio95% Confidence Interval
LowerUpper
Intercept−2.5761.089−2.3650.0180.0760.0090.644
kierunek:
  pedagogika – psychologia−0.0850.359−0.2360.8130.9190.4551.856
  informatyka – psychologia−0.4540.448−1.0150.3100.6350.2641.526
stres1.2630.2534.993< .0013.5372.1545.807
wsparcie−0.5070.161−3.1550.0020.6020.4390.825

Note. Estimates represent the log odds of "konsultacja = tak" vs. "konsultacja = nie"

  • Omnibus Likelihood Ratio Tests testuje każdy predyktor jako całość. Przy czynniku zacznij od niej: kierunek nie wiąże się z konsultacją, χ²(2) = 1.12, p = .572, więc nie interpretujesz porównań kierunków.
  • Estimate to zmiana logitu, a Odds ratio = eEstimate. Z = Estimate / SE to test Walda (SPSS podaje Z²); przedziały ufności też są przedziałami Walda (Selker i in., 2025).
  • Stres: wzrost o 1 punkt wiąże się z 3.54 raza większymi szansami konsultacji, 95% CI [2.15, 5.81], przy stałych pozostałych predyktorach.
  • Wsparcie: OR = 0.60 na punkt, czyli szanse maleją mniej więcej o 40% z każdym punktem.
  • Wiersze kierunku porównują pedagogikę i informatykę z psychologią. Porównanie pedagogiki z informatyką uzyskasz po zmianie poziomu referencyjnego.
  • Intercept (logit przy zerowych predyktorach) pomijasz, bo skale zaczynają się od 1.

OR nie jest ilorazem prawdopodobieństw, więc nie pisz, że stres „zwiększa prawdopodobieństwo 3.5 raza”. Skalę efektu pokażą przewidywane prawdopodobieństwa z sekcji Estimated Marginal Means: po wpisaniu stres do Term 1 jamovi podaje prawdopodobieństwo „tak” przy średniej i ±1 SD (kierunki z równymi wagami, Equal cell weights).

Tabela 6. Estimated Marginal Means – stres (model 2). Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Estimated Marginal Means dla stresu: przewidywane prawdopodobieństwo konsultacji z 95% przedziałem ufności
stresProbabilitySE95% Confidence Interval
LowerUpper
2.334⁻0.0900.0250.0510.153
3.063μ0.1990.0290.1470.263
3.791⁺0.3840.0490.2940.482

Note. ⁻ mean − 1SD, μ mean, ⁺ mean + 1SD

Wykres narysowany w R: przewidywane prawdopodobieństwo konsultacji psychologicznej rośnie wraz ze stresem w kształcie litery S, od około .02 przy stresie 1.2 do około .69 przy stresie 4.8; zaznaczone wartości .09, .20 i .38 przy stresie o 1 SD poniżej średniej, średnim i o 1 SD powyżej średniej, z pasmem 95% przedziału ufności
Rysunek 1. Przewidywane prawdopodobieństwo konsultacji w funkcji stresu (model 2) z 95% przedziałem ufności; czerwone punkty to wartości z tabeli 6, szare – odpowiedzi osób. Podobny wykres daje opcja Marginal means plots. Wykres z R, nie zrzut z jamovi. Obliczenia: R (dane symulowane).

Przewidywane prawdopodobieństwo rośnie z .09 przy stresie o 1 SD poniżej średniej do .38 przy stresie o 1 SD powyżej. OR jest stały, ale przyrost prawdopodobieństwa zależy od punktu wyjścia.

Krok 7. Prediction: tabela klasyfikacji, AUC i cut-off

Tabela 7. Classification Table i Predictive Measures (model 2, Cut-off value = 0.5). Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabel jak w jamovi.

Tabela Classification Table dla progu 0.5 w układzie jamovi
ObservedPredicted% Correct
nietak
nie1801293.750
tak491422.222
Tabela Predictive Measures dla progu 0.5 w układzie jamovi
AccuracySpecificitySensitivityAUC
0.7610.9380.2220.756

Note. The cut-off value is set to 0.5

Osoba trafia do grupy „tak”, gdy przewidywane prawdopodobieństwo przekracza próg (Selker i in., 2025). Trafność 76.1% wygląda dobrze, ale model 1 zaklasyfikował wszystkich jako „nie” i miał 75.3% – tyle, ile wynosi odsetek „nie”. Model 2 rozpoznał tylko 14 z 63 osób, które skorzystały z konsultacji: czułość 22.2% przy swoistości 93.8%. Przy rzadkim wyniku próg 0.5 zwykle daje niską czułość.

Zdolność rozróżniania grup niezależnie od progu opisuje pole pod krzywą ROC. AUC = .76 to prawdopodobieństwo, że losowo wybrana osoba z wynikiem „tak” dostanie od modelu wyższe przewidywane prawdopodobieństwo niż losowo wybrana osoba z wynikiem „nie” (Hanley i McNeil, 1982).

Krzywa ROC modelu 2 narysowana w R, wyraźnie powyżej przekątnej zgadywania, AUC = .76; zaznaczone dwa progi: cut-off .50 z czułością 22.2% i swoistością 93.8% oraz cut-off .25 z czułością 69.8% i swoistością 68.8%
Rysunek 2. Krzywa ROC modelu 2 z dwoma punktami odcięcia. Podobny wykres daje opcja ROC curve. Wykres z R, nie zrzut z jamovi. Obliczenia: R (dane symulowane).

Cut-off value = 0.25 (mniej więcej odsetek „tak”) daje czułość 69.8% (44 z 63) i swoistość 68.8%, przy ogólnej trafności 69.0%. Wybór punktu odcięcia zależy od kosztu pomyłek. Opcja Cut-off plot pokazuje, jak czułość i swoistość zmieniają się z progiem (rysunek 3).

Wykres narysowany w R: czułość spada od 1 do około .03, a swoistość rośnie od około .01 do 1, gdy próg rośnie od .02 do .80; linie przecinają się w pobliżu progu .25, a przy progu .50 czułość wynosi około .22
Rysunek 3. Czułość i swoistość modelu 2 przy progach od .02 do .80. Podobny wykres daje opcja Cut-off plot. Wykres z R, nie zrzut z jamovi. Obliczenia: R (dane symulowane).

Tabela klasyfikacji liczona na danych, na których dopasowano model, jest optymistyczna.

Krok 8. Współliniowość i inne założenia

Tabela 8. Collinearity Statistics (model 2). Liczby policzone pakietem jmv (silnik analiz jamovi); układ tabeli jak w jamovi.

Tabela Collinearity Statistics z VIF i tolerancją w układzie jamovi
VIFTolerance
kierunek1.0080.992
stres1.0180.983
wsparcie1.0330.968

Wartości bliskie 1 oznaczają, że predyktory prawie się nie pokrywają. Uwaga na szczegół z kodu jmv: gdy w modelu jest czynnik, kolumna VIF zawiera uogólniony VIF podniesiony do potęgi 1/(2df) (Selker i in., 2025). Dla predyktora ilościowego to pierwiastek ze zwykłego VIF. Przed porównaniem z progami typu 5 czy 10 podnieś więc wartość do kwadratu (stres: 1.018² ≈ 1.04). Liniowości logitu i separacji okno nie sprawdza wprost; reszty i odległości Cooka zapiszesz w Save. Pełną diagnostykę w R pokazuje poradnik regresja logistyczna krok po kroku.

Zapis wyników w stylu APA

Peng i in. (2002) zalecają podać test modelu, miarę dopasowania, współczynniki z SE, statystykę testu, p, OR i wyniki klasyfikacji. Tabelę przygotuj według wzoru tabeli regresji logistycznej w APA. Prostsze analizy opiszesz w generatorze opisu wyników APA.

Przeprowadzono hierarchiczną regresję logistyczną korzystania z konsultacji psychologicznej w ostatnim roku (1 = tak; 63 z 255 osób z kompletem danych). Kierunek studiów wprowadzony w pierwszym bloku (kategoria odniesienia: psychologia) nie wiązał się z konsultacją, χ²(2) = 2.02, p = .365. Dodanie w drugim bloku stresu i wsparcia społecznego poprawiło dopasowanie, Δχ²(2) = 39.05, p < .001. Model końcowy był istotny, χ²(4) = 41.07, p < .001, R² Nagelkerkego = .22, R² Tjura = .16. Przy kontroli pozostałych zmiennych wyższy stres wiązał się z większymi szansami konsultacji, OR = 3.54, 95% CI [2.15, 5.81], p < .001, a wyższe wsparcie – z mniejszymi, OR = 0.60, 95% CI [0.44, 0.83], p = .002. Przewidywane prawdopodobieństwo konsultacji wynosiło .09 przy stresie o 1 SD poniżej średniej i .38 przy stresie o 1 SD powyżej średniej. Pole pod krzywą ROC wyniosło .76. Przy progu .5 model poprawnie sklasyfikował 76.1% osób (czułość 22.2%, swoistość 93.8%).

Ćwiczenia znajdziesz w zbiorze regresja logistyczna – zadania z rozwiązaniami. Gdy nie wiesz, czy potrzebujesz regresji logistycznej, sprawdź kreator doboru testu.

Przykład reprodukowalny

To samo w R (pakiet jmv)

Wszystkie liczby z tabel 1 i 3–8 policzyliśmy funkcjami pakietu jmv – tymi samymi, które uruchamia jamovi (descriptives, logRegBin). Argumenty funkcji odpowiadają opcjom okna: blocks to Model Builder, refLevels – Reference Levels, pseudoR2, modelTest, omni, OR, ciOR, class, auc, cutOff i emMeans – opcje z tabeli 2. Kod analizy pokaże też sam jamovi w trybie składni (Syntax mode), opisanym we wpisie jamovi krok po kroku. Uruchom przepisy po kolei z folderu, w którym zapiszesz pliki danych. Przepis 1 tworzy plik CSV i plik .sav (pakiet haven).

1. Dane: CSV i plik .sav z etykietami

Dane wejściowe: 260 studentów (dane symulowane, set.seed(4101)): konsultacja (0/1), kierunek (1–3), stres (1–5) i wsparcie (1–7); 5 braków we wsparciu.

Co odczytać: etykiety wartości w pliku .sav i liczbę braków w każdej kolumnie.

R
# B410 – dane przykładowe: konsultacja psychologiczna w ostatnim roku (dane symulowane, set.seed(4101))
# 260 studentów; plik CSV (kody liczbowe) i plik SPSS .sav z etykietami – oba otworzysz w jamovi
suppressPackageStartupMessages(library(haven))
set.seed(4101)
n <- 260
kierunek <- sample(1:3, n, replace = TRUE, prob = c(.40, .35, .25))     # 1 = psychologia, 2 = pedagogika, 3 = informatyka
stres <- round(pmin(pmax(rnorm(n, 3.0, 0.7), 1), 5), 2)                  # stres w ostatnim miesiącu, średnia 1–5
wsparcie <- round(pmin(pmax(rnorm(n, 5.0, 1.1), 1), 7), 2)               # wsparcie społeczne, średnia 1–7
logit <- -0.9 + 1.0 * (stres - 3) - 0.4 * (wsparcie - 5) + c(0, -0.5, -0.9)[kierunek]
konsultacja <- rbinom(n, 1, plogis(logit))                               # 1 = tak, 0 = nie
wsparcie[sample(1:n, 5)] <- NA                                           # braki: 5 osób bez skali wsparcia
dane <- data.frame(id = 1:n, konsultacja, kierunek, stres, wsparcie)
write.csv(dane, "../regresja-logistyczna-jamovi-dane.csv", row.names = FALSE, na = "")

sav <- dane
attr(sav$id, "label") <- "Numer osoby"
sav$konsultacja <- labelled(sav$konsultacja, c("nie" = 0, "tak" = 1), label = "Konsultacja psychologiczna w ostatnim roku")
sav$kierunek <- labelled(sav$kierunek, c("psychologia" = 1, "pedagogika" = 2, "informatyka" = 3), label = "Kierunek studiów")
attr(sav$stres, "label") <- "Stres w ostatnim miesiącu (średnia 1–5)"
attr(sav$wsparcie, "label") <- "Wsparcie społeczne (średnia 1–7)"
write_sav(sav, "../regresja-logistyczna-jamovi-dane.sav")

# Kontrola: odczyt pliku .sav (etykiety wartości) i liczba braków w każdej kolumnie
str(read_sav("../regresja-logistyczna-jamovi-dane.sav")[, c("konsultacja", "kierunek")])
colSums(is.na(dane))
Wynik w R
tibble [260 × 2] (S3: tbl_df/tbl/data.frame)
 $ konsultacja: dbl+lbl [1:260] 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0,...
   ..@ label      : chr "Konsultacja psychologiczna w ostatnim roku"
   ..@ format.spss: chr "F8.0"
   ..@ labels     : Named num [1:2] 0 1
   .. ..- attr(*, "names")= chr [1:2] "nie" "tak"
 $ kierunek   : dbl+lbl [1:260] 2, 1, 1, 1, 3, 1, 2, 2, 2, 1, 1, 2, 1, 3, 1, 1, 2, 2, 3, 2, 1, 2, 1, 3, 1,...
   ..@ label      : chr "Kierunek studiów"
   ..@ format.spss: chr "F8.0"
   ..@ labels     : Named num [1:3] 1 2 3
   .. ..- attr(*, "names")= chr [1:3] "psychologia" "pedagogika" "informatyka"
         id konsultacja    kierunek       stres    wsparcie 
          0           0           0           0           5 

2. Descriptives i 2 Outcomes z dwoma blokami

Dane wejściowe: plik CSV z przepisu 1; zmienne nominalne zamienione na czynniki z etykietami (w jamovi: typ Nominal i etykiety poziomów).

Co odczytać: liczebności i braki, Model Fit Measures, Model Comparisons, a dla każdego modelu Omnibus Likelihood Ratio Tests, Model Coefficients z ilorazami szans, Collinearity Statistics, Classification Table i Predictive Measures.

R
# B410 – regresja logistyczna jak w jamovi: Analyses → Regression → 2 Outcomes (Binomial)
# Te same funkcje, które uruchamia jamovi (pakiet jmv); dane z przepisu 1
library(jmv)
dane <- read.csv("../regresja-logistyczna-jamovi-dane.csv")
# W jamovi: konsultacja i kierunek jako Nominal z etykietami poziomów (kolejność poziomów = kolejność kodów)
dane$konsultacja <- factor(dane$konsultacja, levels = 0:1, labels = c("nie", "tak"))
dane$kierunek <- factor(dane$kierunek, levels = 1:3, labels = c("psychologia", "pedagogika", "informatyka"))

# Exploration → Descriptives: liczebności, braki, M i SD
descriptives(data = dane, vars = vars(konsultacja, kierunek, stres, wsparcie), freq = TRUE,
             median = FALSE, min = FALSE, max = FALSE)

# 2 Outcomes: blok 1 = kierunek, blok 2 = + stres i wsparcie (Model Builder)
# Reference Levels: konsultacja = nie, kierunek = psychologia
model <- logRegBin(data = dane, dep = konsultacja,
  covs = vars(stres, wsparcie), factors = vars(kierunek),
  blocks = list(list("kierunek"), list("stres", "wsparcie")),
  refLevels = list(list(var = "konsultacja", ref = "nie"), list(var = "kierunek", ref = "psychologia")),
  modelTest = TRUE, pseudoR2 = c("r2mf", "r2cs", "r2n", "r2t"),   # Model Fit
  omni = TRUE, OR = TRUE, ciOR = TRUE,                              # Model Coefficients
  collin = TRUE,                                                    # Assumption Checks
  class = TRUE, acc = TRUE, spec = TRUE, sens = TRUE, auc = TRUE)   # Prediction (cut-off 0.5)
model
Wynik w R

 DESCRIPTIVES

 Descriptives                                                               
 ────────────────────────────────────────────────────────────────────────── 
                         konsultacja    kierunek    stres        wsparcie   
 ────────────────────────────────────────────────────────────────────────── 
   N                             260         260          260         255   
   Missing                         0           0            0           5   
   Mean                                              3.056192    4.942235   
   Standard deviation                               0.7296774    1.035665   
 ────────────────────────────────────────────────────────────────────────── 


 FREQUENCIES

 Frequencies of konsultacja                              
 ─────────────────────────────────────────────────────── 
   konsultacja    Counts    % of Total    Cumulative %   
 ─────────────────────────────────────────────────────── 
   nie               196      75.38462        75.38462   
   tak                64      24.61538       100.00000   
 ─────────────────────────────────────────────────────── 


 Frequencies of kierunek                                 
 ─────────────────────────────────────────────────────── 
   kierunek       Counts    % of Total    Cumulative %   
 ─────────────────────────────────────────────────────── 
   psychologia        90      34.61538        34.61538   
   pedagogika        106      40.76923        75.38462   
   informatyka        64      24.61538       100.00000   
 ─────────────────────────────────────────────────────── 


 BINOMIAL LOGISTIC REGRESSION

 Model Fit Measures                                                                                                            
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Model    Deviance    AIC         R²-McF         R²-CS          R²-N          R²-T           χ²           df    p            
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
       1    283.1131    289.1131    0.007077667    0.007882743    0.01171076    0.007536107     2.018064     2     0.3645717   
       2    244.0590    254.0590    0.144046540    0.148765228    0.22100854    0.159708348    41.072164     4    < .0000001   
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Models estimated using sample size of N=255


 Model Comparisons                                       
 ─────────────────────────────────────────────────────── 
   Model         Model    χ²          df    p            
 ─────────────────────────────────────────────────────── 
       1    -        2    39.05410     2    < .0000001   
 ─────────────────────────────────────────────────────── 


 MODEL SPECIFIC RESULTS

 MODEL 1

 Omnibus Likelihood Ratio Tests               
 ──────────────────────────────────────────── 
   Predictor    χ²          df    p           
 ──────────────────────────────────────────── 
   kierunek     2.018064     2    0.3645717   
 ──────────────────────────────────────────── 


 Model Coefficients - konsultacja                                                                                              
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Predictor                    Estimate       SE           Z              p            Odds ratio    Lower        Upper       
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Intercept                    -0.99633344    0.2388539    -4.17130884    0.0000303     0.3692308    0.2311985    0.5896723   
   kierunek:                                                                                                                   
   pedagogika – psychologia     -0.01526747    0.3251960    -0.04694853    0.9625542     0.9848485    0.5206695    1.8628450   
   informatyka – psychologia    -0.51779429    0.4098296    -1.26343810    0.2064318     0.5958333    0.2668562    1.3303697   
 ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Estimates represent the log odds of "konsultacja = tak" vs. "konsultacja = nie"


 ASSUMPTION CHECKS

 Collinearity Statistics               
 ───────────────────────────────────── 
               VIF         Tolerance   
 ───────────────────────────────────── 
   kierunek    1.000000     1.000000   
 ───────────────────────────────────── 


 PREDICTION

 Classification Table – …                
 ─────────────────────────────────────── 
   Observed    nie    tak    % Correct   
 ─────────────────────────────────────── 
        nie    192      0     100.0000   
        tak     63      0     0.000000   
 ─────────────────────────────────────── 
   Note. The cut-off value is set to
   0.5


 Predictive Measures                                      
 ──────────────────────────────────────────────────────── 
   Accuracy     Specificity    Sensitivity    AUC         
 ──────────────────────────────────────────────────────── 
   0.7529412       1.000000       0.000000    0.5440642   
 ──────────────────────────────────────────────────────── 
   Note. The cut-off value is set to 0.5


 MODEL 2

 Omnibus Likelihood Ratio Tests                 
 ────────────────────────────────────────────── 
   Predictor    χ²           df    p            
 ────────────────────────────────────────────── 
   kierunek      1.117871     2     0.5718175   
   stres        30.283921     1    < .0000001   
   wsparcie     10.703183     1     0.0010695   
 ────────────────────────────────────────────── 


 Model Coefficients - konsultacja                                                                                               
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Predictor                    Estimate       SE           Z             p            Odds ratio    Lower          Upper       
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Intercept                    -2.57595422    1.0893785    -2.3646090    0.0180491    0.07608119    0.008994906    0.6435139   
   kierunek:                                                                                                                    
   pedagogika – psychologia     -0.08485588    0.3588129    -0.2364906    0.8130520    0.91864467    0.454700499    1.8559646   
   informatyka – psychologia    -0.45444077    0.4475719    -1.0153470    0.3099405    0.63480287    0.264037122    1.5262047   
   stres                         1.26327086    0.2529981     4.9932033    0.0000006    3.53697153    2.154166184    5.8074292   
   wsparcie                     -0.50737778    0.1608014    -3.1553068    0.0016033    0.60207227    0.439313165    0.8251313   
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Estimates represent the log odds of "konsultacja = tak" vs. "konsultacja = nie"


 ASSUMPTION CHECKS

 Collinearity Statistics               
 ───────────────────────────────────── 
               VIF         Tolerance   
 ───────────────────────────────────── 
   kierunek    1.008441    0.9916294   
   stres       1.017664    0.9826426   
   wsparcie    1.033386    0.9676922   
 ───────────────────────────────────── 


 PREDICTION

 Classification Table – …                
 ─────────────────────────────────────── 
   Observed    nie    tak    % Correct   
 ─────────────────────────────────────── 
        nie    180     12     93.75000   
        tak     49     14     22.22222   
 ─────────────────────────────────────── 
   Note. The cut-off value is set to
   0.5


 Predictive Measures                                      
 ──────────────────────────────────────────────────────── 
   Accuracy     Specificity    Sensitivity    AUC         
 ──────────────────────────────────────────────────────── 
   0.7607843      0.9375000      0.2222222    0.7559524   
 ──────────────────────────────────────────────────────── 
   Note. The cut-off value is set to 0.5

3. Cut-off 0.25, Estimated Marginal Means i dwie pułapki

Dane wejściowe: ten sam model 2 wprowadzony jednym blokiem.

Co odczytać: tabelę klasyfikacji przy progu 0.25, przewidywane prawdopodobieństwa przy M − 1SD, M i M + 1SD stresu, ilorazy szans przy poziomie referencyjnym „tak” oraz jeden współczynnik kierunku wpisanego do Covariates.

R
# B410 – ten sam model 2 jako jeden blok: inny cut-off, Estimated Marginal Means i dwie pułapki
library(jmv)
dane <- read.csv("../regresja-logistyczna-jamovi-dane.csv")
dane$konsultacja <- factor(dane$konsultacja, levels = 0:1, labels = c("nie", "tak"))
dane$kierunek <- factor(dane$kierunek, levels = 1:3, labels = c("psychologia", "pedagogika", "informatyka"))
ref <- list(list(var = "konsultacja", ref = "nie"), list(var = "kierunek", ref = "psychologia"))

# Prediction: Cut-off value = 0.25 (mniej więcej odsetek osób z wynikiem „tak”)
m25 <- logRegBin(data = dane, dep = konsultacja, covs = vars(stres, wsparcie), factors = vars(kierunek),
  blocks = list(list("kierunek", "stres", "wsparcie")), refLevels = ref,
  class = TRUE, acc = TRUE, spec = TRUE, sens = TRUE, cutOff = 0.25)
m25$models[[1]]$pred

# Estimated Marginal Means: przewidywane prawdopodobieństwo przy M − 1SD, M i M + 1SD stresu
emm <- logRegBin(data = dane, dep = konsultacja, covs = vars(stres, wsparcie), factors = vars(kierunek),
  blocks = list(list("kierunek", "stres", "wsparcie")), refLevels = ref,
  emMeans = list("stres"), emmTables = TRUE, emmPlots = FALSE)
emm$models[[1]]$emm

# Pułapka 1: poziom referencyjny zmiennej zależnej = „tak” (model przewiduje „nie”)
odwr <- logRegBin(data = dane, dep = konsultacja, covs = vars(stres, wsparcie), factors = vars(kierunek),
  blocks = list(list("kierunek", "stres", "wsparcie")),
  refLevels = list(list(var = "konsultacja", ref = "tak"), list(var = "kierunek", ref = "psychologia")),
  OR = TRUE, ciOR = TRUE)
odwr$models[[1]]$coef

# Pułapka 2: kierunek (kody 1–3) wpisany do Covariates zamiast do Factors
d_zle <- dane; d_zle$kierunek <- as.integer(d_zle$kierunek)
zle <- logRegBin(data = d_zle, dep = konsultacja, covs = vars(kierunek, stres, wsparcie),
  blocks = list(list("kierunek", "stres", "wsparcie")),
  refLevels = list(list(var = "konsultacja", ref = "nie")), OR = TRUE)
zle$models[[1]]$coef
Wynik w R

 PREDICTION

 Classification Table – …                
 ─────────────────────────────────────── 
   Observed    nie    tak    % Correct   
 ─────────────────────────────────────── 
        nie    132     60     68.75000   
        tak     19     44     69.84127   
 ─────────────────────────────────────── 
   Note. The cut-off value is set to
   0.25


 Predictive Measures                         
 ─────────────────────────────────────────── 
   Accuracy     Specificity    Sensitivity   
 ─────────────────────────────────────────── 
   0.6901961      0.6875000      0.6984127   
 ─────────────────────────────────────────── 
   Note. The cut-off value is set to
   0.25


 ESTIMATED MARGINAL MEANS

 STRES

 Estimated Marginal Means - stres                                     
 ──────────────────────────────────────────────────────────────────── 
   stres       Probability    SE            Lower         Upper       
 ──────────────────────────────────────────────────────────────────── 
   2.333531     0.08985403    0.02509495    0.05132689    0.1526472   
   3.062510     0.19868702    0.02939857    0.14723771    0.2625786   
   3.791489     0.38375909    0.04850023    0.29409396    0.4820919   
 ──────────────────────────────────────────────────────────────────── 
   Note. ⁻ mean - 1SD, <sup>μ</sup> mean, ⁺ mean + 1SD


 Model Coefficients - konsultacja                                                                                               
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Predictor                    Estimate       SE           Z             p            Odds ratio    Lower        Upper         
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Intercept                     2.57595422    1.0893785     2.3646090    0.0180491    13.1438533    1.5539679    111.1740315   
   kierunek:                                                                                                                    
   pedagogika – psychologia      0.08485588    0.3588129     0.2364906    0.8130520     1.0885602    0.5388034      2.1992498   
   informatyka – psychologia     0.45444077    0.4475719     1.0153470    0.3099405     1.5752922    0.6552201      3.7873462   
   stres                        -1.26327086    0.2529981    -4.9932033    0.0000006     0.2827277    0.1721932      0.4642167   
   wsparcie                      0.50737778    0.1608014     3.1553068    0.0016033     1.6609302    1.2119284      2.2762805   
 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── 
   Note. Estimates represent the log odds of "konsultacja = nie" vs. "konsultacja = tak"


 Model Coefficients - konsultacja                                                  
 ───────────────────────────────────────────────────────────────────────────────── 
   Predictor    Estimate      SE           Z             p            Odds ratio   
 ───────────────────────────────────────────────────────────────────────────────── 
   Intercept    -2.2705136    1.1327548    -2.0044176    0.0450253     0.1032591   
   kierunek     -0.2075839    0.2159610    -0.9612102    0.3364465     0.8125451   
   stres         1.2621319    0.2527874     4.9928592    0.0000006     3.5329455   
   wsparcie     -0.5176446    0.1591013    -3.2535525    0.0011397     0.5959226   
 ───────────────────────────────────────────────────────────────────────────────── 
   Note. Estimates represent the log odds of "konsultacja = tak" vs.
   "konsultacja = nie"

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem jmv. Rysunki przygotowano w pakiecie ggplot2 (zapis SVG: svglite); krzywą ROC i wykres progów policzono pakietem ROCR (z niego korzysta jmv), a krzywą prawdopodobieństwa – pakietem emmeans. W pracy podaj wersję jamovi, której używasz.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. jmv (wersja 2.7.7): Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses [R package]. https://doi.org/10.32614/CRAN.package.jmv
  3. haven (wersja 2.5.5): Wickham, H., Miller, E., & Smith, D. (2025). haven: Import and export 'SPSS', 'Stata' and 'SAS' files (R package version 2.5.5) [Computer software]. https://CRAN.R-project.org/package=haven
  4. ROCR (wersja 1.0.12): Sing, T., Sander, O., Beerenwinkel, N., & Lengauer, T. (2005). ROCR: Visualizing classifier performance in R. Bioinformatics, 21(20), 3940–3941. https://doi.org/10.1093/bioinformatics/bti623
  5. emmeans (wersja 2.0.2): Lenth, R., & Piaskowski, J. (2026). emmeans: Estimated marginal means, aka least-squares means (R package version 2.0.2) [Computer software]. https://doi.org/10.32614/CRAN.package.emmeans
  6. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  7. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device (R package version 2.2.2) [Computer software]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze błędy w regresji logistycznej w jamovi

  • Nie ten poziom referencyjny zmiennej zależnej – przeczytaj notę pod tabelą Model Coefficients.
  • Zmienna nominalna o 3+ kategoriach w Covariates zamiast w Factors.
  • Cztery pseudo-R² bez nazw albo „model wyjaśnia 22% wariancji”.
  • Sama ogólna trafność klasyfikacji bez czułości.
  • OR opisany jak ryzyko względne albo zapis „.000” w miejscu p < .001.

Ustawienia modelu i opis wyników sprawdzimy w ramach oferty analizy statystyczne dla studentów. Poprzedni wpis serii opisuje korelację i regresję liniową w jamovi, a następny – testy nieparametryczne w jamovi.

Najczęstsze pytania

Gdzie w jamovi jest regresja logistyczna?

Na pasku Analyses wybierz Regression, a w grupie Logistic Regression pozycję 2 Outcomes (Binomial). Dla wyniku o kilku kategoriach są N Outcomes i Ordinal Outcomes (The jamovi project, b.d.).

Jak zmienić poziom referencyjny w regresji logistycznej w jamovi?

Rozwiń sekcję Reference Levels i dla zmiennej zależnej oraz każdego czynnika wybierz Reference Level. Domyślnie jest to pierwszy poziom z listy w edytorze zmiennej. Model opisuje szanse drugiego poziomu zmiennej zależnej, co potwierdza nota pod tabelą Model Coefficients.

Dlaczego jamovi pokazuje ilorazy szans odwrotne, niż się spodziewałem?

Najczęściej poziomem referencyjnym zmiennej zależnej jest wynik, który chcesz przewidywać, np. „tak”. Wtedy model opisuje szanse wyniku „nie” i każdy OR jest odwrotnością oczekiwanego (w przykładzie 0.283 zamiast 3.537). Zmień poziom w Reference Levels.

Czy jamovi ma test Hosmera–Lemeshowa?

Okno Binomial Logistic Regression go nie zawiera (Selker i in., 2025). Dopasowanie opiszesz testem całego modelu, pseudo-R² i AUC, a jeśli test Hosmera–Lemeshowa jest wymagany, policz go w R albo w SPSS.

Jaki cut-off ustawić w tabeli klasyfikacji w jamovi?

Domyślny próg 0.5 przy rzadkim wyniku daje niską czułość: w przykładzie 22.2% przy 25% osób z wynikiem „tak”. Próg 0.25 dał czułość 69.8% i swoistość 68.8%. Wybór progu zależy od kosztu pomyłek, a zdolność rozróżniania niezależną od progu opisuje AUC.

Powiązane hasła

Przeczytaj też

Masz regresję logistyczną w jamovi i nie wiesz, czy dobrze ją ustawiłeś(-aś)?

Sprawdzimy Twój plik .omv, typy zmiennych, poziomy referencyjne i opcje modelu oraz wyjaśnimy wyniki tak, żebyś umiał(a) samodzielnie je opisać i obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36. https://doi.org/10.1148/radiology.143.1.7063747
  2. Menard, S. (2000). Coefficients of determination for multiple logistic regression analysis. The American Statistician, 54(1), 17–24. https://doi.org/10.1080/00031305.2000.10474502
  3. Peng, C.-Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An introduction to logistic regression analysis and reporting. The Journal of Educational Research, 96(1), 3–14. https://doi.org/10.1080/00220670209598786
  4. Selker, R., Love, J., & Dropmann, D. (2025). jmv: The 'jamovi' analyses (R package version 2.7.7) – Binomial Logistic Regression (logRegBin): definicja analizy, kod R i polskie tłumaczenie etykiet. https://github.com/jamovi/jmv/blob/master/jamovi/logregbin.a.yaml ● Otwarty dostęp: pełny tekst
  5. The jamovi project. (b.d.). Logistic Regression; From SPSS to jamovi: Logistic Regression; Data Variables. jamovi docs. Pobrano 7 listopada 2026 z https://docs.jamovi.org/analyses/jg_43_regression-logistic.html ● Otwarty dostęp: pełny tekst
  6. Tjur, T. (2009). Coefficients of determination in logistic regression models—A new proposal: The coefficient of discrimination. The American Statistician, 63(4), 366–372. https://doi.org/10.1198/tast.2009.08210

Cytowania BibTeX

@article{hanley1982meaning, author={Hanley, James A. and McNeil, Barbara J.}, title={{The meaning and use of the area under a receiver operating characteristic (ROC) curve}}, journal={Radiology}, year={1982}, volume={143}, number={1}, pages={29--36}, doi={10.1148/radiology.143.1.7063747}}
@article{menard2000coefficients, author={Menard, Scott}, title={{Coefficients of determination for multiple logistic regression analysis}}, journal={The American Statistician}, year={2000}, volume={54}, number={1}, pages={17--24}, doi={10.1080/00031305.2000.10474502}}
@article{peng2002introduction, author={Peng, Chao-Ying Joanne and Lee, Kuk Lida and Ingersoll, Gary M.}, title={{An introduction to logistic regression analysis and reporting}}, journal={The Journal of Educational Research}, year={2002}, volume={96}, number={1}, pages={3--14}, doi={10.1080/00220670209598786}}
@misc{selker2025logregbin, author={Selker, Ravi and Love, Jonathon and Dropmann, Damian}, title={{jmv: The 'jamovi' analyses (R package version 2.7.7) – Binomial Logistic Regression (logRegBin): definicja analizy, kod R i polskie tłumaczenie etykiet}}, year={2025}, url={https://github.com/jamovi/jmv/blob/master/jamovi/logregbin.a.yaml}}
@misc{jamovindlogreg, author={{The jamovi project}}, title={{Logistic Regression; From SPSS to jamovi: Logistic Regression; Data Variables}}, howpublished={jamovi docs}, url={https://docs.jamovi.org/analyses/jg_43_regression-logistic.html}}
@article{tjur2009coefficients, author={Tjur, Tue}, title={{Coefficients of determination in logistic regression models—A new proposal: The coefficient of discrimination}}, journal={The American Statistician}, year={2009}, volume={63}, number={4}, pages={366--372}, doi={10.1198/tast.2009.08210}}
R