逻辑回归分析课件.pptVIP

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 SPSS 16 实用教程 逻辑回归分析 在前面学到的回归模型中，我们处理的因变量 都是数值型区间变量，建立的模型描述的是因 变量的期望与自变量之间的线性关系。 线性回归模型： 然而，在许多实际问题中，我们需要研究的响 应变量不是区间变量而是顺序变量或名义变量 这样的属性变量。 ) 1 .( .......... .......... ? ? ? ? (Y) E ? 2 2 1 1 0 k k X X X ? ? ? ? ? ? ? ? ? ? 7.8 逻辑回归分析 7.8.1 统计学上的定义和计算公式 比如在致癌因素的研究中，我们收集了若干 人的健康记录，包括年龄、性别、抽烟史、 日常饮食以及家庭病史等变量的数据。响应 变量在这里是一个两点（ 0-1 ）分布变量， Y=1 （一个人得了癌症）， Y=0 （没得癌症）。 如果我们按照（ 1 ）建立一般线性模型： ) 1 .( .......... .......... ? ? ? ? (Y) E ? 2 2 1 1 0 k k X X X ? ? ? ? ? ? ? ? ? ? 因为 Y 只能取 0 或 1 ，而 的取值是连续的。 显然不能用 来预测因变量 Y 。 我们注意到，对于 0-1 型变量， E(Y)=P(Y=1)=p 因而，我们似乎可以用 来预测 Y=1 的概 率，即： (Y) E ? (Y) E ? (Y) E ? ) 2 ....( .......... p 2 2 1 1 0 ? ? ? ? ? ? ? ? ? ? ? k k X X X ? 问题 1. Y=1 的概率与自变量之间的关系到底 是不是线性的？（答案是否定的） 例如：我们分析一个人是否买车与其年收入 的关系。对于年薪 5000 元、 5 万元、 50 万元 三个人，让他们的年薪分别增加 5000 元对于 其买车的可能性影响是不一样的。 概率与自变量之间的关系图形往往是一个 S 型 曲线 概率与自变量之间的关系曲线 问题 2. 概率的取值应该在 0~1 之间。但是（ 2 ） 式的概率线性模型并不能满足这一点。 我们可以通过对 P 进行一种变换（ logit 变换） logit(p)= ln(p/(1-p)) 使得 logit(p) 与自变量之间存在线性相关的关 系。 )