1.logistic 回歸簡介

是針對變量為分類變量二進行回歸分析的一種統計方法，屬于概率行非線性回歸。

在線性回歸中，因變量是連續變量，那么線性回歸能根據因變量和自變量之間存在的線性關系來構建回歸方程，

但是，一旦因變量是分類變量，那么因變量與自變量之間就不存在這種線性關系了。這個時候，就要通過某種轉換來解決這個問題了，這個變換陳偉對數變換

對數變換的目的就是將非線性問題轉換為線性問題，這樣就能夠使用線性回歸相關理論和方法來解決非線性回歸的問題

1.1分類變量（二分類，多分類）

二分類：倆個分類狀態，例如用戶石佛普購買商品，用戶是否流失（銀邊領只有倆個值：1和0；對應是和否，或者發生或沒發生

多分類：就具有多個類別的狀態，例如客戶的價值分類可分為高價客戶，中價客戶，低價客戶

在模型預測中，不是直接就能得到分類至1和0，而是可以發生的可能行大小來衡量，換句話說就是得到一個介于0和1之間的概率值p來進行預測因變量出現某個狀態的可能性

1.2因變量和概率p之間的關系

0.5<=p<=1? 則因變量對應的是分類1? ?（是\發生）

0<=p<0.5? ? ?則因變量對應的是分類0? ?（不是\未發生）

1.3回歸方程如下：

log(p)=b0+b1x1+b2x2+b3x3+.......+bnxn

logistic 因變量是分類變量

自變量和因變量呈非線性關系

因變量呈0/1分布

預測結果是介于0和1 之間的概率值

--------------------------------------------------

2.應用行業：

營銷活動--用戶參與營銷活動相應預測以及相應潛在影響因素識別

消費品行業--用戶購買改了和預測以及購買潛在影響因素識別

金融行業--用戶的信用度預測以及信用潛在影響因素識別

電信行業--用戶流失概率預測以及流失潛在影響因素識別

人力資源--員工流失概率預測一i及流失潛在影響因素識別

2.1

優點，將非線性轉換成線性回歸問題

缺點：回歸系數解釋不直觀，需要先做轉換才能解釋

如果只是研究自變量對因變量的影響程度，就可以對自變量回歸系數進行大小比較，不必轉換

-------------------------------------------------------

3案例分析（研究商戶是否與本公司續約合作的隱形因素及印象程度，以及預測其他區域商戶是否續約，為商務部門的后續工作計劃提供依據）

變量值1表示續約

變量值0表示未續約

續約數據示例

3.1步驟

分析--回歸--二項logistic

將續約移至因變量

注冊時間，營業收入，成本移至協變量中

logistic回歸對話框

保存--勾選概率--繼續--logistic復選框--確定????

logistic回歸：保存復選框

3.2回歸結果解讀：

個案處理摘要和因變量編碼

塊0?

部分可以忽略，因為這個模型擬合的模型只有常數項，不含任何自變量

塊0 包含三個部分

塊1.

logistics 回歸輸出結果，模型系數的omnibus檢驗?

模型摘要

分類表

對角線上的3 和6 分別表示未續約，和續約的正確值，右下角的75%是正確百分比

說明通過logistic 回歸分析能夠有75%的準確性來判斷續約的狀態

方程中的變量

與線性回歸分析中的t檢驗不同的是，logistic回歸系數的檢驗統計量的為瓦爾德（wald）

用來判斷一個變量是否應該包含在模型中，判斷依據是考察是否應該包含在模型中，判斷依據是考察第六列的顯著性格（p值）是否小于臨界值

3.3預測

1.在原數據即中輸入相應的新增自變量值，對應的銀邊浪留空，在操作logistic： 保存中勾選預測值下方額概率復選框--運行--預測值

2.將模型導出在采用平分享到的功能導入模型，導入后即可查看建模方法，因變量，自變量等，模型相關的信息--評分項到--對新數據集進行預測評分制計算

1】生成模型

打開logistics回歸 對話框--保存--將模型信息導出xml文件--瀏覽--logistic：保存--返回--繼續--logistic回歸對話框--確定

2】應用模型預測

實用程序--評分導向--瀏覽--進行預覽以查找評分模型--選擇--返回--下一步--評分導向--下一步--勾選預測值--完成