Logistic回归.pptVIP

非线性回归：二元Logistic 回归 为什么使用 logistic 回归 在许多实际问题中，经常遇到非数值型因变量。比如： 二分类：青少年是否在学、成功或失败、健康或不健康 多个有序分类：上等社会地位，中等社会地位，下等社会地位 多个无序分类：单身，目前在婚，离婚，寡居 线性回归模型不合适。相反，当因变量为分类变量时，必须使用其它回归分析方法 可用于处理分类因变量的统计分析方法有：判别分析(Discriminant analysis)、Probit 分析、Logistic 回归分析和对数线性模型等 在社会科学中，应用最多的是Logistic回归分析 Logistic的分类 由于因变量（DV）取值的不同，logistic又可分为 binary logistic ordered logistic（秩序logistic） multinomial logistic （多分类logistic） 当DV为虚拟变量时（即0，1分类），使用binary logistic 当因变量为有序分类时（如上等社会地位，中等社会地位，下等社会地位），采用ordered logistic模型 当DV为无序多分类变量时，采用multinomial 模型 这里只介绍一般的二分类（Binary）logistic模型，简称Logistic 回归 Logistic回归的基本原理（I） Logistic回归分析是对因变量为定性变量的回归分析。非线性概率回归模型 其基本特点是： 因变量必须是二分类变量，若令因变量为y，则常用y＝1表示“yes”，y＝0表示“no” 在在学与不在学的对照研究中，分别表示在学和对照组[不在学] 自变量可以为分类变量，也可以为连续变量 Logistic回归的基本原理（II） 从模型角度出发，把事件发生的情况定义为Y=1，事件未发生的情况定义为Y=0，这样取值为0、1 的因变量可以写为： 比如，若因变量为是否在学，则最终的可能性只有两个：要么在学（事件发生），要么不在学（事件没发生）： Logistic回归的基本原理（III） 可采用多种方法对取值为0、1 的DV进行分析（如：%或比例） 通常以p 表示事件发生的概率（事件未发生的概率为1-p），并把p 看作自变量Xi 的线性函数 变量是否在学有两个取值，1=在学；0=否，则简单的回归模型为： 基本概念 事件发生的概率 =p =p(y=1|x) 事件不发生的概率=1-p=1-p(y=1|x)=p(y=0|x) 发生比（odds）= Odds：相对风险（relative risk），事件发生的概率与不发生的概率之比 对数发生比（log odds）= 也是事件发生概率p的一个特定函数。通过Logistic转换，该函数可以写成Logistic回归的logit模型： Logit变换（对数单位转换） logit：“逻辑斯蒂概率单位”——logistic probability unit 存头取尾的缩写，logit p 可以称为“p的逻辑斯蒂概率单位”或简称为“逻辑斯蒂 p” logit p一方面表达出它是事件发生概率p的转换单位；另一方面它作为回归的因变量就可以自己与自变量之间的依存关系保持传统回归中的模式 Logistic回归模型（I） Logistic回归模型（II） OR＝Odds Ratio Logit回归系数的意义 从数学上讲，与多元线性回归分析中回归系数的解释并无不同：bi表示xi改变一个单位时， logit P的平均变化量 Logit回归中的常数项（b0）表示，在不接触任何潜在危险／保护因素条件下，因变量发生与不发生事件的概率之比的对数值 Logit回归中的回归系数（ bi ）表示，某一因素改变一个单位时，因变量发生与不发生事件的概率之比的对数变化值，即OR的对数值 Logistic回归分析的基本命令 . logit y x1 x2 ① ② ①: 二元非线性回归的基本命令参数，输出回归系数 ②: 参与回归分析的变量，y为因变量，x1和x2为自变量 . logistic y x1 x2 ① ①: 二元非线性回归的基本命令参数，输出发生比 . xi: logit enroll age girl i.sibs if age12 i.sibs _Isibs_0-2 (naturally coded; _Isibs_0 omitted) Iteration 0: log likelihood = -361.07032 Iteration 1: log likelihood = -315.29173 Iteration 2: log likelihood = -311.064 Iteration 3: