第7章 5逻辑回归分析讲义Word格式文档下载.docx
《第7章 5逻辑回归分析讲义Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《第7章 5逻辑回归分析讲义Word格式文档下载.docx（12页珍藏版）》请在冰豆网上搜索。
判别分析（Discriminantanalysis）、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BinaryLogistic回归分析和Multi-nominalLogistic回归分析。
BinaryLogistic回归模型中因变量只能取两个值1和0（虚拟因变量），而MultinomialLogistic回归模型中因变量可以取多个值。
本节将只讨论BinaryLogistic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
实例操作
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，数据如表所示。
数据“上下班交通调查表.sav”
表:
使用交通工具上下班情况
（22.0版本）
Step1
Step2
Step3
结果分析：
（1）第一部分输出结果有两个表格，第一个表格说明所有个案（10个）都被选入作为回归分析的个案。
个案处理摘要
未加权的个案a
数字
百分比
选定的个案
已包括在分析中的个案
10
100.0
缺少个案
.0
总计
未选定的个案
a.如果权重有效，那么请参见分类表了解个案总数。
（2）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。
因变量编码
原始值
内部值
主要骑自行车上下班
主要乘坐公共汽车上下班
1
（3）迭代过程
迭代历史记录a,b,c
迭代
-2对数似然
系数
常量
步骤0
12.222
-.800
2
12.217
-.847
3
a.模型中包括常量。
b.初始-2对数似然：
c.估算在迭代号3终止，因为参数估算更改小于.001。
（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%的准确性；
对于y=1，有0%准确性，因此对于所有个案总共有70%的准确性。
分类表a,b
观测值
预测值
上下班方式
百分比正确
7
总体百分比
70.0
b.分界值为.500
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。
方程式中的变量
B
S.E.
Wald
自由度
显著性
Exp（B）
.690
1.508
.220
.429
方程式中没有的变量a
得分
变量
x1
8.423
.004
x2
.601
.438
x3
.476
.490
a.由于冗余，未计算残差卡方。
（5）OmnibusTestsofModelCoefficients表格列出了模型系数的OmnibusTests结果。
模型系数的Omnibus检验
卡方
步骤1
步长（T）
.007
块
模型
（6）ModelSummary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。
模型摘要
Cox&
SnellR平方
NagelkerkeR平方
.000a
.705
1.000
a.估算在迭代号20终止，因为检测到完美拟合。
此解决方案并非唯一。
（7）HosmerandLemeshowTest表格以及ContingencyTableforHosmerandLemeshowTest表格给出了Hosmer和Lemeshow的拟合优度检验统计量。
Hosmer和Lemeshow检验
.000
Hosmer和Lemeshow检验的列联表
上下班方式=主要骑自行车上下班
上下班方式=主要乘坐公共汽车上下班
期望值（E）
4
5
6
8
9
2.000
（8）逻辑回归的最后一个输出表格是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。
升级会员 