第十章logit回归.docVIP

第十章 logitic回归 本章导读： Logitic回归模型是离散选择模型之一，属于多重变数分析范畴，是社会学、生物统计学、临床、数量心理学、市场营销、会计与财务等实证分析的常用方法。 10.1 logit模型和原理 Logistic回归分析是对因变量为定性变量的回归分析。它是一种非线性模型。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”。[在发放股利与不发放股利的研究中，分别表示发放和不发放股利的公司]。自变量可以为虚拟变量也可以为连续变量。从模型的角度出发，不妨把事件发生的情况定义为y=1，事件未发生的情况定义为0，这样取值为0、1的因变量可以写作： 我们可以采用多种方法对取值为0、1的因变量进行分析。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x的线性函数。由于y是0-1型Bernoulli分布，因此有如下分布： P=P（y=1|x）：自变量为x时y=1的概率，即发放现金股利公司的概率 1-P=P（y=0|x）：自变量为x时y=0的概率，即不发放现金股利公司的概率 事件发生和不发生的概率比成为发生比，即相对风险，表现为.因为是以 对数形式出现的，故该发生比为对数发生比（log odds），表现为。对数发生比也是事件发生概率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 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模式。 根据离散型随即变量期望值的定义，可得： E(y)=1(P)+0(1-P)=P 进而得到 因此，从以上分析可以看出，当因变量的取值为0、1时，均值总是代表给定自变量时y=1的概率。虽然这是从简单线性回归分析而得，但也适合复杂的多元回归函数情况。 β0为常数项，β1，β2，…，βk分别为k个自变量的回归系数。 因此，logistic模型为： 10.2 模型的stata程序 Stata有两个命令可进行二元logistic回归分析：logit和logistic。其分析的结果的实质是一样的。但输出的结果的表现形式有所不同。前者提供参数估计，后者提供发生比。 Logit命令： Logit 因变量 变量1 变量2…Logistic命令： logistic? 因变量? 变量1? 变量2… lfit 是模型适定性诊断命令clogit? 因变量? 变量1? 变量2… 变量m，strata(配对编号变量)? [or] clogit是条件logistic回归命令use E:\stata\logit.dta /*打开stata数据集*/ （1）logit命令 . logit cashdum roa td size lagcashdum growth cg12 first Iteration 0: log likelihood = -753.6759 Iteration 1: log likelihood = -464.64549 Iteration 2: log likelihood = -413.47149 Iteration 3: log likelihood = -384.32824 Iteration 4: log likelihood = -376.73079 Iteration 5: log likelihood = -376.20593 Iteration 6: log likelihood = -376.20303 Logistic regression Number of obs = 1116 LR chi2(7) = 754.95 Prob chi2 = 0.0000 Log likelihood = -376.20303 Pseudo R2 = 0.5008 ------------------------------------------------------------------------------ cashdum | Coef. Std. Err. z P|z| [95% Conf. Interv