逻辑回归分析课件.ppt

逻辑回归分析;7.8.1 统计学上的定义和计算公式; 可用于处理定性因变量的统计分析方法有：判别分析（Discriminant analysis）、Probit分析、Logistic回归分析和对数线性模型等。在社会科学中，应用最多的是Logistic回归分析。Logistic回归分析根据因变量取值类别不同，又可以分为Binary Logistic回归分析和Multinomi-nal Logistic回归分析。 ; Binary Logistic回归模型中因变量只能取两个值1和0（虚拟因变量），而Multinomial Logistic回归模型中因变量可以取多个值。本节将只讨论Binary Logistic回归，并简称Logistic回归（与7.5节曲线估计中介绍的Logistic曲线模型相区别）。Logistic函数的形式为; 与任何概率一样，似然的取值范围在[0,1]之间。?2LL的计算公式为; Logistic回归的拟合优度统计量计算公式为 在实际问题中，通常采用如下分类表（Classification Table）反映拟合效果。;;3．Cox和Snell的R 2（CoxSnell’s R-Square）;4．Nagelkerke的R 2（N agelkerke’s R-Square）;5．伪R 2（Psedo-R-square）;6．Hosmer和Lemeshow的拟合优度检验统计量（Hosmer and Lemeshow＇s Goodness of Fit Test Statistic）; 如果该p值小于给定的显著性水平（如=0.05），则拒绝因变量的观测值与模型预测值不存在差异的零假设，表明模型的预测值与观测值存在显著差异。如果值大于，我们没有充分的理由拒绝零假设，表明在可接受的水平上模型的估计拟合了数据。 ;7．Wald统计量;? 研究问题 在一次关于某城镇居民上下班使用交通工具的社会调查中，因变量y =1表示居民主要乘坐公共汽车上下班；y?=0表示主要骑自行车上下班；自变量x1表示被调查者的年龄；x2表示被调查者的月收入；x3表示被调查者的性别（x3=1为男性，x3=0为女性）。 试建立y与自变量间的Logistic回归，数据如表7-7所示。;表7-7 使用交通工具上下班情况;? 实现步骤;图7-25 “Logistic Regression：Options”对话框; （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。 ; 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。; （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表格以及Contingency Table for Hosmer and Lemeshow Test表格给出了Hosmer和Lemeshow的拟合优度检验统计量。; （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。; （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。