Logitboost法及累积比数Logit模型在判别分析中应用分析.docVIP

Logitboost法及累积比数Logit模型在判别分析中应用分析 　【摘要】 　　目的： 探讨Logitboost和累积比数Logit模型这两种方法应用于判别分析的优缺点。 方法： 简要介绍Logitboost和累积比数Logit模型的原理，并采用此两种方法分别对同一个实例进行判别分析。结果： 两种方法的判别正确率均较高。Logitboost判别效果高于累积比数Logit模型判别。讨论： 在迭代轮数适当的情况下，Logitboost判别正确率更高，受迭代次数影响较大；而累积比数Logit模型的稳定性较强。在对事件进行判别时，可根据数据资料的具体特点选用判别方法，也可将两种方法结合应用，取其判别效果较好者。 【关键词】 累积比数Logit模型 判别分析 Logitboost　 睡眠质量 　　Logitboost and Cumulative Odds Logit Model and Their Application in Discriminant Analysis 　　 　　Abstract Objective： To compare Logitboost with Cumulative odds logit model, and discuss their characteristics when they are used in Discriminant analysis. Methods： The ultimate principle of Logitboost and Cumulative odds logit model will be introduced in this paper, and we will use the two methods to solve the same problem. Results Logitboosts effect is better than Cumulative odds logit model. Conclusion： The effect of Logitboost would be better if a appropriate iteration is given, in other words, Logitboost is affected by iteration in large measure. But Cumulative odds logit model is stable. We should choose the better according the data. Key words cumulative odds Logit model; discriminant analysis; Logitboost; sleep quality 　　判别分析（discriminant analysis）是判别样品所属类型的一类统计方法，其应用之广可与回归分析相媲美。进行判别时，通常是根据已经掌握的一批分类明确的样品建立判别函数。从判别准则上分为Fisher判别和Bayes判别，但由于这两种传统的判别方法各有利弊，对资料有特定要求，如Fisher判别要求资料服从多元正态分布，Bayes判别要求已知先验概率，当不满足条件时，判别效果往往不理想，给人们的实际工作带来许多困难。 本研究以一个实例简介Logitboost法和累积比数Logit模型在判别分析中的应用。 　　1 原理 　　1.1 累积比数Logit模型判别 累积比数Logit模型是二分类Logit模型的扩展，主要用于处理反应变量为有序分类变量的资料。该模型对资料要求不严，解释变量既可以是连续型变量，也可以是无序分类变量或有序分类变量［1］。只要资料满足比例优势假定条件（proportional odds assumption）,即自变量的回归系数与分割点无关，且各自变量与Logit　P呈线性关系，即可应用此方法。 设应变量Y为K个等级的有序变量，第k（k=1，2，…，K）个等级的概率分别为{π1，π2，…，πk}，且∑ki=1πk=1。影响因素xT=（x1，x2，…，xP）为自变量，xi（i=1，2，…，p）可以是连续变量、无序或有序分类变量。则累积比数Logit模型可以表示为: logit(P(ygt;k|x))=ln(P(ygt;k|x)1-P(ygt;k|x))=-αk+∑pi=1βixi （k=1，2，…，K-1） 等价于：P(y≤k|x)=11+e(-αk+∑pi=1βixi) 　　每类结果的概率：P(y=k|x)=P(y≤k|x)-P(y≤k-1|x) =11+e(-αk+∑pi=1βixi)-11+e(-αk-1+∑pi=1βixi) k=1,2, …K 式中，αk