SAS logistic 逻辑回归.pptxVIP

当因变量只有两个水平（如 生病/健康，成功/失败），多元回归的方法将不再适用。假设我们将因变量编码，1代表生病，0代表健康，我们希望回归能得到一个0到1之间的数字，代表被试生病或健康的概率是多少。但是多元回归会得到一个负值，或者大于1，这很难解释。 logistic回归可以处理这类问题。logistic回归采用logit转换是的预测方程得到0到1之间的值。logistic回归方程预测被试在某个分类中的优势的自然对数。另外，logistic回归方程的回归系数可以用于估计每个自变量的优势比。 逻辑回归（logistic regression）就是被逻辑方差归化后的线性回归。逻辑回归与线性回归不同，它可以处理分类变量。线性回归主要处理连续变量。例如：逻辑回归可以处理预测客户是（0）否（1）流失，这里的0、1就是分类变量；线性回归主要预测连续变量关系，提高广告投放，对产品销售的帮助曲线。 假设我们有一个数据，45个观测值，四个变量，包括： age（年龄，数值型）； vision（视力状况，分类型，1表示好，0表示有问题）； drive（驾车教育，分类型，1表示参加过驾车教育，0表示没有） accident一个分类型输出变量（去年是否出过事故，1表示出过事故，0表示没有）。我们的目的就是要考察前三个变量与发生事故的关系。 data logistic; input accident age vision drive @@; datalines; 1 17 1 1 1 4 4 0 0 1 48 1 0 1 55 0 0 1 75 1 1 0 35 0 1 0 4 2 1 1 0 57 0 0 0 28 0 1 0 20 0 1 0 38 1 0 0 4 5 0 1 0 47 1 1 0 52 0 0 0 55 0 1 1 68 1 0 1 1 8 1 0 1 68 0 0 1 48 1 1 1 17 0 0 1 70 1 1 1 7 2 1 0 1 35 0 1 1 19 1 0 1 62 1 0 0 39 1 1 0 4 0 1 1 0 55 0 0 0 68 0 1 0 25 1 0 0 17 0 0 0 4 5 0 1 0 44 0 1 0 67 0 0 0 55 0 1 1 61 1 0 1 1 9 1 0 1 69 0 0 1 23 1 1 1 19 0 0 1 72 1 1 1 7 4 1 0 1 31 0 1 1 16 1 0 1 61 1 0 ; proc logistic data=logistic descending; model accident=age vision drive; run; proc logistic data=logistic desending; model accident=age vision drive / selection=score ;run; 全模型法 全模型法是指在特定的模型大小范围内，找出指定的最佳模型（具有最小的CP）。通常和BEST连用，如BEST=2，就表示在不同变量个数组成的全模型组中，选择两个最好的模型，显然如果没有best选择，则全部组合数是C(N,2)。度量全模型的统计量是Cp,一般要求CpP，这里p是所有变量的个数加1. Cp=(n-p-1)(MS误差p/MS误差.全部-1)+(p+1)----来源网络，不知道是否可靠 全模型法最大的好处是可以计算每一个变量组合下模型的C统计量以及对应的lift值，这样可以做不同模型直接的比较，缺点是计算量大。调用的SAS命令：selection=score best= start= stop= 。其中start=选项表示最少的变量组合数，默认值是1；stop=选项表示最多的变量组合数，默认值是所有变量数 SELECTION=SCORE叫最优子集法 data logistic1; input accident age vision drive @@; datalines; . 17 1 1 . 44 0 0 . 48 1 0 . 55 0 0 . 75 1 1 . 35 0 1 . 42 1 1 . 57 0 0 . 28 0 1 . 20 0 1 . 38 1 0 . 45 0 1 . 47 1 1 . 52 0 0 . 55 0 1 . 68 1 0 . 18 1 0 . 68 0 0 . 48 1 1 . 17 0 0 . 70 1 1 . 72 1 0 . 35 0 1 . 19 1 0 . 62 1 0 . 39 1 1 . 40 1 1 . 55 0 0 . 68 0 1 . 25 1 0 . 17 0 0 . 4