SPSS之logistic回歸

? ??????????????log(p/(1-p))=\beta_0+\beta_1x_1+\beta_2x_2+\varepsilon

SPSS使用logistic回歸的步驟：

1.圖形分析（條形圖）

2.卡方分析（原理)

3.logistic回歸分析

4.混淆矩陣分析（類似線性回歸中的殘差分析）

5.應用

下面將使用bankloan_binning(提取碼：78uh）進行分析：

0.數據集分析---略

1.圖形分析

分析y與一個x的關系：

------分類與分類

輸出結果：


圖中可輕易看出占比關系，違約和年齡分組存在關系

------分類與連續


均值顯著不等，不相關

2.相關分析

2.1 分類與分類------卡方分析

------了解列聯表

\chi^2=\sum_1^k \frac{(f_i-\overline{f_i})}{\overline{f_i}} \sim \chi^2((行數-1)(列數-1 ))



結果如下：


p值小于0.05，相關性顯著

2.2 分類與連續------方差分析？


3.logistic回歸分析




輸出窗口為：


說明，樣本數和因變量取值


可以直接跳過


0.27模型準確度有待提高


刪除不顯著的變量


修改后的模型（思考：β為負數怎么解釋？若解釋增加3000元錢呢？---e的3β次方）

4. 混淆矩陣（敏感度解釋）


增加敏感度的方法:工具變量法(增加一個變量x將原本是1但被預測為0的那一行的x取值為1，其余取值為0，尋找與x高相關的特征值將他加入模型）

附加：




這個指總體預測準確率


一個應用原則：

1.回歸分析通常對x不做假設

2.線性回歸擅長處理連續x；logistic回歸擅長處理分類x

3.統計學習模型擅長處理連續x(小數據)；機器學習模型擅長處理分類x(大數據)

4.在統計學習模型中，如果需要解釋x與y之間的關系，x建議分類；如果不需要解釋x與y之間的關系，x建議連續；在機器學習模型中，也一樣。

5.但是，在統計學習中通常不建議對x做分類；機器學習中，通常建議對x做分類。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明：文章內容（如有圖片或視頻亦包括在內）由作者上傳并發布，文章內容僅代表作者本人觀點，簡書系信息發布平臺，僅提供信息存儲服務。

推薦閱讀更多精彩內容