第7章 5逻辑回归分析讲义

第第页第7章5逻辑回归分析讲义

7.5规律回来分析

统计学上的定义和计算公式

定义：规律回来分析是对定性变量的回来分析。

现实中的许多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0和1表示。买汽车回受到家庭、收入等因素的影响，但最终的结果只能是两个：买或不买。假如我们采纳多个因素对0－1表示的某种现象进行因果关系说明，就可能应用到logistic回来。例如，想探讨胃癌发生的危急因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群确定有不同的体征和生活方式等。这里的因变量就是是否胃癌，即“是”或“否”，为两分类变量，自变量就可以包括许多了，例如年龄、性别、饮食习惯等。自变量既可以是连续的，也可以是分类的。通过logistic回来分析，就可以大致了解究竟哪些因素是胃癌的危急因素。

可用于处理定性因变量的统计分析方法有：判别分析〔Discriminantanalysis〕、Probit分析、Logistic回来分析和对数线性模型等。在社会科学中，应用最多的是Logistic回来分析。Logistic回来分析依据因变量取值类别不同，又可以分为BinaryLogistic回来分析和Multi-nominalLogistic回来分析。

BinaryLogistic回来模型中因变量只能取两个值1和0〔虚拟因变量〕，而MultinomialLogistic回来模型中因变量可以取多个值。本节将只争论BinaryLogistic回来，并简称Logistic回来〔与7.5节曲线估量中介绍的Logistic曲线模型相区分〕。Logistic函数的形式为

实例操作

在一次关于某城镇居民上下班运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*1表示被调查者的年龄；*2表示被调查者的月收入；*3表示被调查者的性别〔*3=1为男性，*3=0为女性〕。

试建立y与自变量间的Logistic回来，数据如表所示。数据“上下班交通调查表.sav”表:运用交通工具上下班状况

〔22.0版本〕

Step1

〔22.0版本〕

Step2

〔22.0版本〕

Step3

〔22.0版本〕

结果分析：

〔1〕第一部分输出结果有两个表格，第一个表格说明全部个案〔10个〕都被选入作为回来分析的个案。

个案处理

〔4〕ClassificationTable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100%的精确性；对于y=1，有0%精确性，因此对于全部个案总共有70%的精确性。

VariablesintheEquation表格列出了Step1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*3相伴概率最小，Wald统计量最大，可见该变量在模型中很重要。

方程式中没有的变量

a

步骤0

变量

*1*2*3

得分8.423.601.476

自由度

111

显著性

.004.438.490

a.由于冗余，未计算残差卡方。

〔22.0版本〕

〔5〕OmnibusTestsofModelCoefficients表格列出了模型系数的OmnibusTests结果。

模型系数的Omnibus检验

步骤1

步长(T)块模型

卡方12.21712.21712.217

自由度

333

显著性

.007.007.007

〔22.0版本〕

〔6〕ModelSummary表给出了-2对数似然值、Co*和Snell的R2以及Nagelkerke的R2检验统计结果。

模型

Hosmer和Lemeshow检验的列联表

上下班方式=主要乘坐公共汽车上

上下班方式=主要骑自行车上下班

下班

观测值

000000012

期望值(E)

.000.000.000.000.000.000.0001.0002.000

总计

111111112

步骤1

123456789

观测值

111111100

期望值(E)

1.0001.0001.0001.0001.0001.0001.000.000.000

〔22.0版本〕

〔8〕规律回来的最末一个输出表格是CasewiseList，列出残差大于2的个案,由下表可知没有这样的个案。

个案列表a

a.由于找不到界外值，未生成casewise绘图。

〔22.0版本〕

7.5规律回来分析

统计学上的定义和计算公式

定义：规律回来分析是对定性变量的回来分析。

现实中的许多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0和1表示。买汽车回受到家庭、收入等因素的影响，但最终的结果只能是两个：买或不买。假如我们采纳多个因素对0－1表示的某种现象进行因果关系说明，就可能应用到logistic回来。例如，想探讨胃癌发生的危急因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群确定有不同的体征和生活方式等。这里的因变量就是是否胃癌，即“是”或“否”，为两分类变量，自变量就可以包括许多了，例如年龄、性别、饮食习惯等。自变量既可以是连续的，也可以是分类的。通过logistic回来分析，就可以大致了解究竟哪些因素是胃癌的危急因素。

可用于处理定性因变量的统计分析方法有：判别分析〔Discriminantanalysis〕、Probit分析、Logistic回来分析和对数线性模型等。在社会科学中，应用最多的是Logistic回来分析。Logistic回来分析依据因变量取值类别不同，又可以分为BinaryLogistic回来分析和Multi-nominalLogistic回来分析。

BinaryLogistic回来模型中因变量只能取两个值1和0〔虚拟因变量〕，而MultinomialLogistic回来模型中因变量可以取多个值。本节将只争论BinaryLogistic回来，并简称Logistic回来〔与7.5节曲线估量中介绍的Logistic曲线模型相区分〕。Logistic函数的形式为

实例操作

在一次关于某城镇居民上下班运用交通工具的社会调查中，因变量y=1表示居民主要乘