logit模型预测客户流失.docVIP

Logit模型预测客户流失 一、logit模型 二、logit模型应用 三、案例说明 1. 案例背景 2. SAS实现 3. Spss Clementine实现 （1）装载数据 （2）数据清理 （3）模型建立 （4）模型评价 （5）预测 4.CLEMENTINE与SAS结果比较 一、logit模型 在一般线性模型中，因变量为一个连续变量，如建立一个GDP与进出口的线性模型，GDP为一个连续变量。但在实际工作中，因变量常常为分类变量，比如性别，要么是男性、要么是女性，又如本文要解决的，对电信客户是否流失的预测。这时可以用事件的发生概率P为因变量，以影响因素作为自变量，进行线性回归分析，那么此时因变量P的取值就必须是0-1之间，一般的线性回归分析就不能满足了，logit回归可以解决这个问题。 Logit回归属于概率非线性回归，假设在自变量作用下，某事件发生的概率为P，则该事件不发生的概率为1-P，P/(1-P)为发生于不发生概率之比，记为“优势”（odds），若对odds取自然对数，得 Logit(p)=ln(odds)=ln() 称为P的logit变换，则logit回归模型为 Logit(p)=ln()= 可以看出，当P在（0，1）之间变化时，对应的logit(p)在之间变化，这样自变量可在任意范围内取值。 自变量对因变量的作用大小常用“优势比”（odds ratio，简称OR）来描述。所谓优势比是指两个优势之比。对于某些发生率很低的事件来说，优势比可以作为相对危险度（relative risk,RR）的近似估计，即 OR= 二、logit模型应用 Logit模型全称logistic模型，主要针对定性变量（分类、有序变量）进行建模。广泛应用在医学、通信、金融业，如客户分类、客户流失预测、寻找发病因素等。 三、案例说明 1. 案例背景 有电信业客户数据telco.sav，记录了客户个人信息（性别、收入、教育等）和接受的服务信息（是否使用无线、是否使用呼叫等待等）和是否流失信息。现在以“是否流失”（churn）为因变量，顾客个人信息和服务信息的41个变量为自变量，建立一个logit模型，观察哪些因素对顾客的流失有重大影响，为市场营销做准备。并用生成的模型对20个新客户数据telcotest.sav进行预测。本例使用SPSS Clementine和SAS软件实现。 2. SAS实现 （1）将数据导入SAS，或者使用数据步建立一个数据集，使用数据步如下： “ data sasuser.telco2; input x1-x41 y @@; cards; （数据略） Run； ” （2）建立logit模型，使用逐步法筛选自变量，并把变量进入模型，变量留在模型的显著性水平设为0.1，语法如下： “ proc logistic descending data=sasuser.telco2; model y=x1-x41/selection=stepwise slentry=0.1 slstay=0.1 stb;