[오즈비] p-value 실효성 계산

 

https://www.perplexity.ai/page/rojiseutig-hoegwibunseogeul-to-2oqjElr1TgW3DyJSc.6zdQ

로지스틱 회귀분석을 통한 오즈비 및 신뢰구간 계산 방법

 

 

로지스틱 회귀 모델 적합

import statsmodels.api as sm

# 변수 설정
X = cluster_df[['PCA_Cluster_9', 'PCA_Cluster_2', 'Target_Men', 'conversion_rate', 'join_period', 'shipment_fee']]
y = cluster_df['is_churned']

# 로지스틱 회귀 모델 적합
model = sm.Logit(y, X).fit(maxiter=500)

# 결과 요약
print(model.summary())

# 개별 P-value
p_values = model.pvalues[1:]
significant_vars = p_values[p_values < 0.05].index.tolist()

Optimization terminated successfully.
         Current function value: 0.389598
         Iterations 8
                           Logit Regression Results                           
==============================================================================
Dep. Variable:             is_churned   No. Observations:                38173
Model:                          Logit   Df Residuals:                    38167
Method:                           MLE   Df Model:                            5
Date:                Mon, 10 Mar 2025   Pseudo R-squ.:                  0.3238
Time:                        17:45:15   Log-Likelihood:                -14872.
converged:                       True   LL-Null:                       -21995.
Covariance Type:            nonrobust   LLR p-value:                     0.000
===================================================================================
                      coef    std err          z      P>|z|      [0.025      0.975]
-----------------------------------------------------------------------------------
PCA_Cluster_9       0.0061      0.001     10.787      0.000       0.005       0.007
PCA_Cluster_2      -0.0790      0.003    -31.120      0.000      -0.084      -0.074
Target_Men         -0.4003      0.036    -11.122      0.000      -0.471      -0.330
conversion_rate     0.0441      0.002     21.568      0.000       0.040       0.048
join_period         0.0071      0.001     10.961      0.000       0.006       0.008
shipment_fee       -0.0001   1.41e-06    -75.828      0.000      -0.000      -0.000
===================================================================================

 

오즈비 변환

# 계수 및 신뢰구간 추출
params = model.params[1:]  # 절편 제외
conf = model.conf_int().iloc[1:, :]  # 95% 기본 신뢰구간

# 오즈비 변환
odds_ratios = np.exp(params)
conf_exp = np.exp(conf)

# 결과 테이블 생성
result_df = pd.DataFrame({
    'Variable': params.index,
    'OR': odds_ratios.values,
    '2.5%': conf_exp[0].values,
    '97.5%': conf_exp[1].values
})

 

 

 

https://dine.tistory.com/64

로지스틱 회귀분석(Logistic Regression, lr)

 

시각화

plt.figure(figsize=(10,6))
plt.errorbar(x=result_df['OR'], y=result_df['Variable'],
             xerr=[result_df['OR']-result_df['2.5%'], result_df['97.5%']-result_df['OR']],
             fmt='o', color='#2c7bb6', ecolor='#d7191c', capsize=5)
plt.axvline(x=1, color='grey', linestyle='--')
plt.title('Odds Ratios with 95% Confidence Intervals')
plt.xlabel('Odds Ratio (log scale)')
plt.xscale('log')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.show()

실효성 계산

# 실효성 계산 함수
def calculate_impact(or_value, current_rate):
    return (1 - or_value) * current_rate * 100

# 월간 접속 빈도 효과 계산
current_churn = 0.40  # 현재 이탈률 40%
impact = calculate_impact(0.92, current_churn)
print(f'행동 데이터 1회 증가 시 예상 이탈률 감소: {impact:.1f}%p')  # 출력: 3.2%p


행동 데이터 1회 증가 시 예상 이탈률 감소: 3.2%p