A estatística é importante para quase todas as áreas acadêmicas. Auxilia de modo direto com as demonstrações em níveis quantitativos e qualitativos. Ferramenta cujo objetivo essencial está em passar informações de maneira simples e objetiva, causando rápida absorção por parte dos leitores.
Quem deseja ingressar na carreira de logística tem quase sempre a mesma dúvida: Será que existe muita matemática? A vantagem é que quando os números quando usados no setor logístico transformam as bases para ações além de termos opinativos e qualitativos abstrato para virar ciência exata.
Dentro do mundo logístico os especialistas usam estatística para identificar lotes de compras, gráficos de controle do material, entre outros modelos de previsão. Conhecimentos de matemática e estatísticas são elementares no currículo dos bons profissionais de logísticas.
De modo tradicional o canal de distribuições traz como alegoria de fluxo as teorias de logística. O conjunto de informações podem deixar detalhes de lado, considerado essenciais para vencer a concorrência no mercado aberto. Nos ambientes com competição em alto nível o conteúdo informativo tem importância essencial no sentido de servir como ferramenta à própria sobrevivência do empreendimento e da força de trabalho.
Na atualidade as informações rápidas e precisam são necessárias para que aconteça funcionamento qualitativo dos sistemas de logística. Nos ambientes de competição as estatísticas ganhem espaço considerável e serve como ponto indispensável à composição dos sistemas de informações, operacional, tático e nível estratégico para melhorar o tempo a absorver informações em níveis cristalinos. Setores do gênero procuram trazer soluções viáveis e integradas para que aconteça gestão da logística.
Não se pode ignorar o fato de que os números possuem potencial no sentido de ajudar a organização em busca de vantagens nos níveis de produtividade. Ela é ferramenta básica na gestão que quando ignorada pode trazer a falência da empresa.
Os níveis complexos das sistemáticas de administração sentem a necessidade de usar divulgação simples dos sistemas de informação. Quando a peculiaridade é atendida pode acontecer melhora no desempenho das atividades empresariais.
Regressão Logística: Características Gerais
Em estatística, regressão logística consiste no tipo de análise de regressão usada para prever o resultado de categórico variável dependente com base em uma ou mais variáveis de previsão. Utilizada a estimar os valores empíricos dos parâmetros no modelo de resposta qualitativa. As probabilidades de que descrevem os resultados possíveis de um único ensaio são modeladas com função das variáveis explanatórias.
Com frequência a “regressão logística” é usada para se referir de modo específico ao problema em que a variável dependente é binária, isto é, o número de problemas e menor para as soluções.
A regressão logística mede a relação entre a variável dependente categórica e uma ou mais variáveis independentes, aos quais são em contínuas, usando pontuações de probabilidade como os valores previstos da variável dependente.
A regressão logística pode ser binomial ou multinominal. Regressão logística binária refere-se ao caso em que o resultado observado pode ter apenas dois tipos possíveis (por exemplo, “morto” versus “vivo”). Tem referência aos casos em que o resultado pode ter três ou mais tipos possíveis. Resultado é codificado como “0” e “1”. Grupo alvo (referido como um “caso”) codificado em “1” e o grupo de referência em “0”.
Ao contrário de regressão linear ordinária, no entanto, a regressão logística é utilizada para prever resultados binários ao invés dos resultados contínuos. Dada esta diferença, necessário que a regressão logística tome o logaritmo natural das probabilidades para criar critério contínuo.
Exemplos de Aplicações
A regressão logística é utilizada em várias disciplinas, incluindo os campos da ciência médica e social. Por exemplo, o Trauma e Injury Severity Score (TRISS) está usado para prever a mortalidade em pacientes feridos.
A regressão logística pode ser utilizada para prever se um paciente tem dada doença (por exemplo, diabetes), com base nas características observadas (idade, sexo, índice de massa corporal, resultados de vários testes de sangue, entre outros). Outro exemplo pode ser a prever se um eleitor vai votar democratas ou republicanos, com base na idade, renda, sexo, raça, estado de residência, os votos em eleições anteriores, entre outros.
A técnica também pode ser usada em engenharia para prever a probabilidade de falha de um determinado processo, sistema ou produto. Utilizada em marketing de aplicações, tais como a previsão de tendência de um cliente a comprar um produto ou cessar a subscrição, por exemplo.
Estimativa
Os coeficientes de regressão são calculados utilizando probabilidade máxima de estimativa. Ao contrário de regressão linear com os resíduos de distribuição normal, não é possível encontrar uma expressão de forma fechada para os valores dos coeficientes que maximiza a função de probabilidade.
Em alguns casos, o modelo pode não alcançar a convergência. Quando não converge indica que os coeficientes não são significativos porque o processo iterativo foi incapaz de encontrar soluções adequadas.
Apesar de não ser um número preciso, como regra geral, os modelos de regressão logística exigem um mínimo de 10 eventos por variável explicativa (em que evento denota os casos pertencentes à categoria menos frequente na variável dependente).
Se as probabilidades estimadas são usadas para classificar cada observação de valores de variáveis , métodos podem avaliar a adequação do modelo para fora da amostra de previsão usada nos dados utilizados para a estimativa, exatidão, precisão, recuperação, especificidade e valor preditivo negativo.
Após o ajuste do modelo, é provável que os investigadores examinem a contribuição dos preditores individuais. Para fazer isso, eles examinam os coeficientes de regressão.
Na regressão linear os coeficientes representam a alteração do critério para cada unidade de alteração. Em regressão logística, no entanto, os coeficientes representam a variação para cada unidade de alteração no preditor.
Teste da Razão: Verossimilhança
O teste da razão probabilidade avalia a adequação do modelo como procedimento recomendado para avaliar a contribuição de “indicadores” individuais para dado modelo. Se o sistema preditor tem desvio menor, então se pode concluir que há associação significativa entre a “previsão” e o “resultado”.
Tendo em conta que alguns pacotes estatísticos comuns não fornecem estatísticas de teste de razão de verossimilhança, pode ser difícil avaliar a contribuição dos preditores individuais no caso de regressão logística múltipla.
Para avaliar a contribuição dos preditores individuais cientistas podem inserir os preditores de modo hierárquico, comparando cada novo modelo com o anterior para determinar a contribuição do preditor.
Artigo Escrito por Renato Duarte Plantier
