第四章Logistic 回归第一节从多元线性回归到logistic回归第二节logistic回归模型的建立第三节logistic回归结果的解释第四节logistic回归模型的检验第五节研究实例
第四章 Logistic 回归 第一节 从多元线性回归到logistic回归 第二节 logistic回归模型的建立 第三节 logistic回归结果的解释 第四节 logistic回归模型的检验 第五节 研究实例
第一节从多元线性回归到logistic回归为什么需要应用一、违反假定logistic回归若我们所研究的因变量为分类变量时线性回归的假设条件往往不能成立。回顾：线性回归的主要条件1、间距变量OLS求L2、自变量之间不能完全相关解前提3、关于误差项：（1）e与任何一个自变量无关，且均值为0?高斯-马尔可2对应不同自变量xi的各ei有不变的方差夫假设(3)在各个观测自变量点xi上的误差ei之间无关统计推论(4)ei正态分布的前提
若我们所研究的因变量为分类变量时， 线性回归的假设条件往往不能成立。 第一节 从多元线性回归到logistic回归 为什么需要应用 logistic回归 回顾：线性回归的主要条件 1、间距变量 2、自变量之间不能完全相关 3、关于误差项： （1）e与任何一个自变量无关，且均值为0 （2）对应不同自变量xi的各ei有不变的方差 （3）在各个观测自变量点xi上的误差ei之间无关 （4）ei正态分布 OLS求 解前提 高斯-马尔可 夫假设 统计推论 的前提 一、违反假定
无法显示该图片。因变量为分类变量时，出现的主要问题：以≠a+bx为例对任一Xo，y只能等于0或者1,当y=0时，o=0一当y=1时，eo=1-yEi方差出现系统变动OLS估计不是最佳
因变量为分类变量时，出现的主要问题： 以 ＝a＋bx为例 对任一 ，y只能等于0或者1， 当y＝0时， ＝0－ 当y＝1时， ＝1－ y ˆ y ˆ y ˆ Ei方差出现系统变动 ——OLS估计不是最佳 e0 e0 x 0
及其问题二、线性概率模型(LPMD)自变量对因变量将模型因变量理的作用是线性的解为概率1、实际情况y为0、1，但线性回归方程结果不是如此2、与实际情况不同（等速与变速）在为只限于0和1之间的概率选用模型时，LPM不适合
二、线性概率模型（LPM）及其问题 1、实际情况y为0、1，但线性回归 方程结果不是如此 2、与实际情况不同（等速与变速） 自变量对因变量 的作用是线性的 将模型因变量理 解为概率 ——在为只限于0和1之间的概率选用模型时，LPM不适合
第二节logistic回归模型的建立要考虑的情况：1、自变量的影响两端小而中间大2、概率模型（因变量总是取0或1）选择曲线模型更合适（Logistic回归）
第二节 logistic回归模型的建立 要考虑的情况： 1、自变量的影响两端小而中间大 2、概率模型（因变量总是取0或1） 选择曲线模型更合适 （Logistic回归）