营销二元Logistic回归.pptVIP

* 假设检验： H0: x1的系数等于零 H1: x1的系数不等于零 该检验的p-值低于1%，因而应接受H1。 又因为x1的系数估计值为14.67,大于零，因此企业属于信誉好的概率与盈利能力（净资产收益率）正相关。于是验证了假设1。 * 假设检验： H0: x2的系数等于零 H1: x2的系数不等于零 该检验的p-值低于10%，因而应接受H1。 又因为x2的系数估计值为-2.613,小于零，因此企业属于信誉好的概率与负债率负相关。于是验证了假设2。 * 例2：企业商业信誉预测模型构建 问题背景：企业要作出是否对客户提供商业信用（即允许延期付款）的决策，需要对客户的信誉进行评判。我们使用以下变量建立预测模型： X1——净资产收益率 X2——资产负债率 X3——流动比率 X4——应收账款周转率 X5——总资产周转率 X6——总资产对数 * 与多元线性回归类似，Logistic回归也有变量自动筛选功能。 作用：将预测能力强的变量纳入模型中，将预测能力差或重复的变量剔除，从而可使用较少的变量进行预测，并保证较好的预测效果。 * 使用上例数据。 具体操作方法如下： * 点击此处 本例选择该项 （也可选其它任何一项） * 输出结果：只看Block1部分。 主要关心最终模型结果。 最终模型预测总正确率为77.6% * 最终模型中包含变量X1、x2和x6 新公式： * 该公式给出了企业信誉的具体预测方法： 对于一个新客户（信誉状况未知），将其x1 x2和x6指标值带入上述计算公式，可计算出该客户信誉好的概率。如果该概率大于0.5，可预测该客户属于“信誉好”客户。如果该概率值越接近1，其属于“信誉好”的客户的可能性就越大。 * 类似地，如果该概率小于0.5，可预测该客户属于“信誉坏”客户。如果该概率值越接近0，其属于“信誉坏”的客户的可能性就越大。 注：上述分割点0.5也可根据需要调整，例如改为0.7。 * * * * 补充： 自变量允许为分类变量（虚拟变量） * 结 束 Logistic回归 * . * 一、概述 多元线性回归中，因变量y要求是常规数据（定距尺度），而非定性数据。 当因变量y为定性数据，并且只有两种状态时，多元线性回归模型不再适用。 此时采用（二元）Logistic回归模型 * 概括： Logistic模型用于因变量y只取0和1两个值情况下的回归模型。 * 变形后得： p 1 Logit模型： p表示Y=1的概率 * 一般地，总体回归线形式： * Logistic回归中的回归系数（ βi ）表示，某一因素改变一个单位时，事件发生与不发生的概率之比的对数变化值。 如果p表示Y=1的概率，则称： Ln[p/(1-p)] 为Logit p 参数意义 * 回归系数的意义 单纯从数学上讲，与多元线性回归分析中回归系数的解释并无不同，亦即βi表示xi改变一个单位时， logit p的平均变化量。 * Logistic 回归模型的两种应用 1.用于检验“因果关系假设” 与多元回归类似，只是因变量为二值。 2.用于预测 两分类预测 * 例1：企业商业信誉影响因素 根据有关理论，我们提出如下假设： 假设1：企业商业信誉与其盈利能力正相关 假设2：企业商业信誉与其负债率负相关 变量选取： 因变量y，1为信誉好，0为信誉坏 自变量X1至x6定义如下 X1——盈利能力（净资产收益率） X2——资产负债率 X3——流动比率 X4——应收账款周转率 X5——总资产周转率 X6——总资产对数 （其中X3至X6为控制变量） * 数据文件：Logistic回归 该文件中有300个企业信誉状况数据 * * * 输出结果查看 注意： 输出结果中有两部分：Block 0 和Block 1 主要看Block 1部分。 * 模型整体显著性检验 模型整体检验是显著的。 * 两类R2与线性回归中的R2的作用大致相同。 * 将回归系数输出结果带入下述公式 * 根据下表，可写出经验回归方程：（此处保留一位小数） 其中p表示“企业信誉好的概率” * 各自变量回归系数显著性检验。 用于各自变量回归系数的解释。 例如，x3每增加1，则“p/(1-p)”将是原来的1.172倍。