10章—Logit回归.docVIP

2011.6.23.通知：考试时间改为，2011.6.29.下午2:30，A405教室 参考资料 1、陈峰等，医用多元统计分析方法，中国统计出版社，2000年12月第1版 2、张尧庭，定性数据的统计分析，广西师范大学出版社，1991年11月第1版 3、阮敬，SAS统计分析—从入门到精通，人民邮电出版社，2009年4月第1版，39.00元 类型 分类(因变量) 例 定量 连续/计量 利润 离散/计数 人口 定性(名义) 二分类 性别 多分类(无序) 职业 多分类(有序) 学历 一、变量的分类 变量的分类 注：计量指标与计数指标一般好区别。特殊情形下不好区别，如年龄。 类型 分类(因变量) 例 方法 分布 备注 定量 连续/计量 利润 普通回归 正态 可运算 离散/计数 人口 普通或Log回归 Poiison分布 可运算 定性(名义) 二分类 性别 Logit回归 二项分布 不可运算 多分类 无序 职业 基准—类别Logit回归 多项分布 不可运算 有序 学历 累积Logit回归 Poiison分布 不可运算 因变量 自变量 方法 分布 定量(连续,离散) 定量(连续,离散),定性 普通回归模型 二分类 连续，定性(二分类,多分类) Logit模型 二项分布 SAS中可非线性 多分类 多分类(有序) Logit模型 Poiison分布 SAS中可非线性 多分类(无序) Logit模型 多项分布 定量，定性 定量，定性 ？ 二、两分类变量的logistic回归 1、logit变换 考虑上市公司中企业类型（与非）与财务指标的关系。 常常需要研究事件发生的概率大小与某些因素有关。 例如，讨论某特定人群（例如糖尿病患者）中患动脉硬化的概率与年龄的关系。显然人群中只有两种状态“动脉硬化”和“非动脉硬化”（简称为“患病”和“不患病”），人群的状态记为，则“患病”和“不患病”对应着的两个取值：，。用事件表示即 —“患病”=“动脉硬化” ， —“不患病”=“非动脉硬化” 若患病率记为，则 显然 讨论患病率与年龄的关系，显然，患病率随着年龄的增加而增长。 例，观察了123位糖尿病患者，记录了他们的年龄以及是否患动脉硬化。数据格式见下表，详细数据见附录—2。 表1、 糖尿病原始数据 （注：此为简表，详见附录3数据） 编号 动脉硬化分类 年龄 n y x 1 0 32 … … … 123 1 78 符号说明 符号 解释 注 n 编号 y 是否动脉硬化 1——动脉硬化 0——动脉非硬化 x 年龄 根据这些数据如何分析是否患病与年龄的关系？ 能否建立关于的回归方程？不行。因为的取值并无实际意义。 将数据分组，得到各组的患病率（见表2），能否建立关于的回归方程？ （如何将表1的原始数据整理成表2的分组数据？详见附录1）。 表2 糖尿病分组数据 分组 组号 频数 患病频数 患病频率 组中值 35以下 1 2 0 0.000 32.5 36—40 2 7 1 0.143 37.5 41—45 3 12 3 0.250 42.5 46—50 4 11 6 0.545 47.5 51—55 5 12 9 0.750 52.5 56—60 6 15 12 0.800 57.5 61—65 7 24 20 0.833 62.5 66—70 8 23 22 0.957 67.5 71—75 9 14 14 1.000 72.5 76以上 10 3 3 1.000 77.5 合计 123 90 0.732 假设能建立关于的回归模型： 根据表2数据，得如下（普通）回归结果 得到关于的回归方程 此回归方程是否真实地描述了与的关系？答案是否定的。原因如下： 第一，当时，，而患病率只能在区间内取值，所以不可能是的线性函数。因为二次函数和多项式函数的值域都会超过区间，所以也不可能是的二次函数或多项式函数。 第二，观察表3和上图可发现，对的散点图呈“S”形。在和附近时，即使变动很大，的变动幅度却很小，在附近的变动幅度却很大。 又如，多数自然灾害（如地震）发生的概率很小，对其正确预报的概率更小，接近于0，即使能找到一些影响的前兆因素，也不可能将值提高很多。从数学上看，是的非线性程度较高的函数。于是，希望寻找一个的函数，应具有以下两个特征： （1）函数在和附近时，变化率较大； （2）函数形式不太复杂。 下面寻找函数。函数在附近的变化率（速度），就是其导数。要希望在和附近有较大的值，则自然要考虑函数 此函数的特征是：当时，；时，。这符合要求的特征（1）。 因为要求变化率在和附近有较大的值，故应与成正比，记为 将上式取成等式，并作分解 这