电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

Logistic回归2VIP免费

Logistic回归2_第1页
1/6
Logistic回归2_第2页
2/6
Logistic回归2_第3页
3/6
第十章 Logistic 回归分析 第一节 Logistic 回归基本概念 线性回归模型的一个局限性是要求因变量是定量变量(定距变量、定比变量)而不能是定性变量(定序变量、定类变量)。但是在许多实际问题中,经常出现因变量是定性变量(分类变量)的情况。可用于处理分类因变量的统计分析方法有:判别分别(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 Multinomial 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。本章将只讨论Binary Logistic 回归,并简称 Logistic 回归。 因变量只取两个值,表示一种决策、一种结果的两种可能性。从模型角度出发,不妨把事件发生的情况定义为Y=1,事件未发生的情况定义为Y=0,这样取值为0、1 的因变量可以写为下式: 10y  事件发生 事件未发生 我们可以采用多种方法对取值为0、1 的因变量进行分析。通常以p表示事件发生的概率(事件未发生的概率为1-p),并把p看作自变量Xi的线性函数,即 p P( y 1) F(iiX) i 1,2,… , k 不同形式的F(·),就有不同形式的模型,最简单的莫过于使F(·)为一线性函数,即 01122kk=+++++pXXX (10-113) 我们可能会认为可用普通最小二乘法对上式进行估计,但因p的值一定在区间[0,1]内,而且当p接近于0或1时,自变量即使有很大变化p的值也不可能变化很大,所以对上式直接用普通最小二乘法进行估计是行不通的。 从数学上看,函数p对Xi的变化在p=0或p=1的附近是不敏感的、缓慢的,且非线性的程度较高。于是要寻求一个p 的函数 ( )p,使得它在p=0或p=1附近时变化幅度较大,而函数的形式又不是很复杂。因此,我们引入p的Logistic 变换(或称为p的Logit 变换),即 ( )=logit( )=ln()1pppp- (10-114) 其中,p/(1-p);logit(p)是因变量Y=1 的差异比(odds ratio)或似然比(likelihood ratio)的自然对数,称为对数差异比(log odds ratio)、对数似然比(log likelihood ratio)或分对数。 很明显, ( )p以logit(0.5)=0 为中心对称(如表10-54所示), ( )p在p=0和p=1 的附近变化幅度很大,而且当p从0变化1时, ( )p从...

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部