逻辑回归分析SPSS 16实用教程.ppt

和线性回归一样，我们可以通过next按钮把自变量分成不同的组块，使不同的组块按顺序以不同的方式分步进入模型 这里，我们可以把几个变量的乘积作为自变量引入模型作为交互影响项 如果自变量中有分类变量，在这里可以设置相应的虚拟变量 图7-25 “Logistic Regression：Options”对话框 Classification plots:制作分类图，通过比较因变量的观测值与预测值的关系，反映回归模型的拟合效果。 Hosmer-Lemeshow goodness-of-fit: H-L检验。 Casewise listing of residuals:显示个案的残差值（显示标准化残差超过两倍标准方差的个案或显示所有个案） Correlations of estimates:输出模型中各参数估计的相关矩阵。 Iteration history:输出最大似然估计迭代过程中的系数以及log似然值。 CI for exp(B):输出exp(beta)的置信区间，默认置信度为95% 根据概率对数据进行分类时的概率界限值，默认值为0.5 参数估计时，似然函数值收敛到最大值前的最大迭代次数。 选择输出结果的方式。显示每一步的计算结果或是只显示最后的结果 设定自变量进入模型方程或被剔除出方程的标准。 在save选项中，我们可以选择需要保存的数据文件中的统计量。包括残差值、个案影响度统计量、预测概率值等等 （1）第一部分输出结果有两个表格，第一个表格说明所有个案（28个）都被选入作为回归分析的个案。 7.8.3 结果和讨论 第二个表格说明初始的因变量值（0，1）已经转换为逻辑回归分析中常用的0、1数值。 （2）第二部分（Block 0）输出结果有4个表格。（组块0里只有常数项，没有自变量） 分类表 （3）Omnibus Tests of Model Coefficients表格列出了模型系数的Omnibus Tests结果。 （4）Model Summary表给出了-2 对数似然值、Cox和Snell的R2以及Nagelkerke的R2检验统计结果。 （5）Hosmer and Lemeshow Test P值大于0.05，说明模型有一定的解释能力 （6）Classification Table分类表说明第一次迭代结果的拟合效果，从该表格可以看出对于y=0，有86.7%的准确性；对于y=1，有76.9%准确性，因此对于所有个案总共有82.1%的准确性。 （7）Variables in the Equation表格列出了Step 1中各个变量对应的系数，以及该变量对应的Wald 统计量值和它对应的相伴概率。从该表格中可以看出x3相伴概率最小，Wald统计量最大，可见该变量在模型中很重要。 回归系数的估计值 系数的wald检验 Exp(beta)的估计值以及区间估计 （8）Correlation Matrix表格列出了常数Constant、系数之间的相关矩阵。常数与x2之间的相关性最大，x1和x3之间的相关性最小。 （9）图7-26所示是观测值和预测概率分布图。该图以0和1为符号，每四个符号代表一个个案。横坐标是个案属于1的录属度，这里称为预测概率（Predicted Probability）。纵坐标是个案分布频数，反映个案的分布。 （10）逻辑回归的最后一个输出表格是Casewise List，列出了残差大于2的个案。 1.根据三个财务比率估计公司破产概率。（数据见ftp 财务比率与破产预测.sav） Y=0，若两年后破产 Y=1， 若两年后仍有偿付能力 X1=未分配利润/总资产 X2=支付利息税金前的利润/总资产 X3=销售额/总资产 按照习题模式，列出最终计算结果，并做出必要解释。 （Logistic 模型最终表达式 模型检验、拟合优度 Wald 检验 最终分类表、观测与预测分布图 系数相关矩阵） 作业（共两题） 2.对于1986年挑战者号航天飞机灾难之前的23次航天飞行，数据 航天飞机热遇险.sav给出了飞行时温度和是否至少有一个主要O型圈遭受热遇险。（数据见ftp） a)利用logistic回归建立温度对热遇险概率的模型，并对效应进行解释。 b)估计挑战者号飞行时温度为华氏31度时的热遇险概率。 c)温度为多少时，概率等于0.50？在该温度下，给出温度每增加一度导致的概率估计值的线性近似变化。 d)利用wald检验，检验不存在温度效应的假设 小 结 回归分析是研究变量与变量之间联系的最为广泛的模型。在实际中，根据变量的个数、类型，以及变量之间的相关关系，回归分析通常分为一元线性回归分析、多元线性回归分析、非线性回归分析、曲线估