SPSS在教育统计中的应用——以PISA数据为例 课件 第11章 Logistic 回归.pptx

第十一章Logistic回归

目录Contents二元Logistic回归分析多元Logistic回归分析

回归分析中，当因变量为分类变量时，有一种特殊的回归叫Logistic回归（逻辑回归）。Logistic回归的因变量可以是二分类的，也可以是多分类的。因变量是二分变量的是二元Logistic回归，因变量为多分类变量的是多元Logistic回归。Logistic回归分析的概述

PART01二元Logistic回归分析

二元Logistic回归应用范围因变量是二元变量不满足一般的多元线性模型假设解释变量的取值不再是实数范围内的任意数希望根据一系列预测变量的值来预测某种特征或结果是否存在何时采用二元Logistic回归？

二元Logistic回归原理Logistic回归分析中并不直接对二分结果变量进行回归分析，而是将其转换到Logit尺度下，引入发生比（事件发生的概率/事件不发生的概率）的概念，再对发生比取自然对数（ln）作为因变量，探究自变量的线性组合对转换后的因变量的影响。设因变量为y，取值为1时表示事件发生，取值为0时表示事件不发生，影响y的n个自变量为x1,x2,···,xn，p表示事件发生的概率，1-p表示事件不发生的概率，Logistic回归模型如下：

二元Logistic回归原理事件的发生比Odds：p/(1-p)，取值范围为0到+∞之间。对数转换：，此即Logistic回归模型的线性模式。可以看出Logistic方程的回归系数可以理解为一个单位的自变量的变化而引起的发生比的对数的改变值，写成。当其他解释变量保持不变，第i个自变量变化一个单位时，发生比的变化值为exp(βi)，自变量的系数为正值，表示事件发生的概率增加，exp(βi)值大于1；自发量的系数为负值，表示事件发生的概率降低，exp(βi)值小于1；自变量的系数为0，exp(βi)值等于1。对Logistic回归模型的参数估计可以采用最大似然比法和迭代法。

二元Logistic回归方程的检验1.回归系数的显著性检验目的：为了检验模型中各解释变量与LogitP是否存在显著的线性关系零假设：βi=0，即第i个解释变量与LogitP之间不存在显著的线性关系。检验统计量：当概率pi值小于显著性水平α时，拒绝零假设，认为第i个解释变量与LogitP之间存在显著的线性关系；当概率pi值大于显著性水平α时，接受零假设，认为第i个解释变量与LogitP之间不存在显著的线性关系。值得注意的是，当解释变量的系数绝对值较大时，其标准误差将会扩大，导致Wald统计量减小，导致拒绝零假设失败，所以当解释变量的系数绝对值较大时，不应该依据Wald统计量来进行回归系数的显著性检验。

二元Logistic回归方程的检验2.回归方程的显著性检验拟合优度检验Cox-SnellR2统计量：NagelkerkeR2统计量：

二元Logistic回归分析操作

二元Logistic回归分析操作

二元Logistic回归分析操作

二元Logistic回归分析操作

二元Logistic回归分析操作

二元Logistic回归分析操作

二元Logistic回归分析操作

PART02多元Logistic回归分析

多元Logistic回归原理当因变量水平数大于2时，考虑拟合因变量为多分类的logistic回归。根据因变量水平可分为：有序多分类和无序多分类的Logistic回归。多元Logistic回归分析其实就是用多个二元Logistic回归分析模型来描述各个类别与参考类别相比较时的作用大小。设因变量有k个水平，可以对其中的k-1个水平各做一个回归方程，每个水平的因变量的概率值取值范围为0~1。当自变量是连续变量或计数变量就可以用Logistic回归方法对因变量的概率值建立回归方程。对于因变量共有k个水平，则在第j个水平的Logistic回归模型为：这样对于每一个建立的Logistic回归模型都有一组参数，例如因变量具有3个水平，则会获得2组非零参数。

多元Logistic回归方程的检验拟合优度检验：伪R2统计量：

多元Logistic回归分析操作

多元Logistic回归分析操作

多元Logistic回归分析操作

感谢您的聆听汇报人：刘浩