Les coefficients ont certainement une signification. Dans certains progiciels, le modèle peut être dirigé de deux manières pour produire l'un des deux types de coefficients. Par exemple, dans Stata, on peut utiliser la commande Logistic ou la commande logit; en utilisant l'un, le modèle donne des coefficients traditionnels, tandis qu'en utilisant l'autre, le modèle donne des rapports de cotes.
Vous constaterez peut-être que l'un est beaucoup plus significatif pour vous que l'autre.
A propos de votre question que "... les coefficients semblent dépendre de la sensibilité ...".
Voulez-vous dire que les résultats dépendent des variables que vous mettez dans le modèle?
Si oui, oui, c'est une réalité de la vie lors de l'analyse de régression. La raison en est que l'analyse de régression examine un ensemble de nombres et les calcule de manière automatisée.
Les résultats dépendent de la façon dont les variables sont liées entre elles et des variables qui ne sont pas mesurées. C'est autant un art qu'une science.
De plus, si le modèle a trop de prédicteurs par rapport à la taille de l'échantillon, les signes peuvent basculer de manière folle - je pense que cela signifie que le modèle utilise des variables qui ont un petit effet pour «ajuster» ses estimations de celles-ci. qui ont un gros effet (comme un petit bouton de volume pour faire de petits calibrages). Lorsque cela se produit, j'ai tendance à ne pas faire confiance aux variables avec de petits effets.
D'un autre côté, il se peut que les signes changent initialement, lorsque vous ajoutez de nouveaux prédicteurs, parce que vous vous rapprochez de la vérité causale.
Par exemple, imaginons que le Brandy du Groenland pourrait être mauvais pour la santé mais que le revenu est bon pour la santé. Si le revenu est omis et que les personnes plus riches boivent du Brandy, alors le modèle peut «capter» l'influence du revenu omis et «dire» que l'alcool est bon pour la santé.
N'ayez aucun doute à ce sujet, c'est une réalité de la vie que les coefficients dépendent des autres variables qui sont incluses. Pour en savoir plus, examinez le «biais variable omis» et la «fausse relation». Si vous n'avez jamais rencontré ces idées auparavant, essayez de trouver des cours d'introduction à la statistique qui répondent à vos besoins - cela peut faire une énorme différence dans l'élaboration des modèles.