SAS学习系列26 Logistic回归

26. Logistic回归（一）Logistic回归一、原理二元或多元线性回归的因变量都是连续型变量，若因变量是分类变量（例如：患病与不患病；不重要、重要、非常重要），就需要用Logistic回归。

Logistic回归分析可以从统计意义上估计出在其它自变量固定不变的情况下，每个自变量对因变量取某个值的概率的数值影响大小。

Logistic回归模型有“条件”与“非条件”之分，前者适用于配对病例对照资料的分析，后者适用于队列研究或非配对的病例-对照研究成组资料的分析。

对于二分类因变量，y=1表示事件发生；y=0表示事件不发生。

事件发生的条件概率P{ y=1 | x i } 与x i之间是非线性关系，通常是单调的，即随着x i的增加/减少，P{ y=1 | x i } 也增加/减少。

Logistic函数F(x)=1，图形如下图所示：1+e−x该函数值域在(0,1)之间，x 趋于-∞时，F(x )趋于0；x 趋于+∞时，F(x )趋于1. 正好适合描述概率P{ y =1 | x i }. 例如，某因素x 导致患病与否：x 在某一水平段内变化时，对患病概率的影响较大；而在x 较低或较高时对患病概率影响都不大。

记事件发生的条件概率P{ y =1 | x i } = p i ，则p i =11+e −(α+βx i )=e α+βx i 1+e α+βx i记事件不发生的条件概率为1- p i =11+e α+βx i则在条件x i 下，事件发生概率与事件不发生概率之比为p i 1−p i= e α+βx i称为事件的发生比，简记为odds. 对odds 取自然对数得到ln (p i1−p i)= α+βx i 上式左边（对数发生比）记为Logit(y), 称为y 的Logit 变换。

可见变换之后的Logit(y)就可以用线性回归，计算出回归系数α和β值。

若分类因变量y 与多个自变量x i 有关，则变换后Logit(y)可由多元线性回归：11logit()ln()1k k pp x x p αββ==++-或 111()1(1|,,)1k k k x x p y x x eαββ-++==+二、回归参数的解释1. 三个名词发生比（odds）= 事件发生频数事件未发生频数= p k1−p k例如，事件发生概率为0.6，不发生概率为0.4，则发生比为1.5（发生比>1，表示事件更可能发生）。

SPSS 二分类的Logistic 回归的操作和分析方法二分类指的是因变量的数据只有两个值，代表事物的两种类别， 典型的二分类变量如性别、是否患病等。

因变量为二分变量原则上是 无法做回归的，在回归方程中的因变量实质上是概率，而不是变量本 身。

在理解二分类变量以后，我们看看如何做二分类变量的logistic 回归。

1 .打开数据以后，菜单栏上依次点击： analyse --regression --binary logistic ，打开二分回归对话框2 .将因变量和自变量放入格子的列表里，如图所示，上面的是因变 量，下面的是自变量，我们看到这里有三个自变量pre 1courtpre卜 卜EJ Pa ri 即 u sei.P1自中叫5口同”“LvaisTic好 Io ■网 □N W□imsnstcri RfrdddiMNonparaTTietrtc Tests Foi ■白MuH0lalfflpul3&on Deiscriplrve SI 挑助聪LfiOli ncaf - Neuf-31 nuHlpEa ResponseMissing value AnaJisis. EH 必占律蛉的国q 商本 Ublik^s 时小如M Wflftdaw HOI LFl[« Edi! View工陷 nW"" ATiilyrtCam pl«i £aEpl 骷与Opsin al Scaling (CALREGJp..R 蜜GertEralized LinearMatfcIs 卜 Mbosti ModelsRlNafllin&af .曲：AT.r+ci HC] 2^^161；! Sfiiisrcs.tosnpareGeneral LinearMMml 48?B6Ci3强理 G"一四忙—一 3 La,43W8口 AutoioaticUn^r ModjeliFig..M 二1 Linear...国 guive EslirnatiCin...C>ep«n (lferit3 .设置回归方法，这里选择最简单的方法：enter ,它指的是将所有的 变量一次纳入到方程。

logistic回归原理
Logistic回归是一种有效的、相对简单的数据分类技术，用于确定某个事件或观测值属于某类的概率。

它可以解释二元数据和多类数据，并且能够应用于各种场景，比如风险分析、金融建模、社会研究等等。

Logistic回归源自线性模型，它是一种称为逻辑斯蒂(logit)模型的回归模型，该模型基于概率理论。

Logistic回归模型是由概率对数函数构建而成的，即：
Y = log（P/(1-P)）
其中，P代表事件Y发生的概率。

Logistic归模型在数据分析中最主要的用途就是用于分类，它的原理是：假定输入的数据可以用一个线性函数来描述，并且拟合一条S型函数来获得概率，这个概率决定了每个样本点属于某一类的概率大小。

在使用Logistic回归之前，首先要处理好数据集，确保它具有足够的观测值，并且有合理的分类标签（例如“是”、“否”）。

接下来，要使用回归的模型，先把正确的观测值用正向的系数系数，将错误的观测值用负向的系数进行编码。

然后，确定正确的估计量结果，比如系数、拟合度指标和参数检验，以及误差分析。

最后，定义一个提升指标来评估结果，例如：准确率、召回率和精确率。

Logistic回归在机器学习中有各种应用，比如文本分类、情感分析和预测分析；在图像识别中，它可以用于目标检测、纹理识别和
边缘检测；在金融行业，它可以应用于信贷分析、欺诈检测和市场风险分析。

它也可以用于生物药物研究、病毒鉴别；在医学领域，它可以用于数据分析、诊断分析和临床预测等。

简而言之，Logistic回归是一种用于预测任意事件的概率发生的有效模型，可以用于多类数据的分类，在数据挖掘领域扮演着重要的角色，是结构化数据建模的常用工具。

logistic回归计算讲解Logistic回归是一种广泛用于分类问题的机器学习算法。

它可以用于二分类问题，也可以通过一些修改用于多分类问题。

下面是Logistic回归的计算过程的简要讲解：1. 数据准备：首先，收集和准备用于训练和测试的数据集。

每个数据样本应该包括特征和对应的类别标签。

特征可以是连续值或离散值。

2. 特征缩放：如果特征具有不同的量纲或取值范围，可以对特征进行缩放，以便更好地使用Logistic回归算法。

常见的缩放方法包括标准化和归一化。

3. 参数初始化：初始化Logistic回归模型的参数，通常为权重（也称为系数）和偏置（也称为截距）。

4. 假设函数：定义Logistic回归的假设函数，它将特征值映射到预测的类别概率。

通常使用sigmoid函数作为Logistic回归的假设函数。

5. 成本函数：使用成本函数（也称为损失函数）来度量模型预测的错误程度。

对于Logistic回归，常用的成本函数是逻辑损失函数（Log Loss）或交叉熵损失函数。

6. 梯度下降：使用梯度下降算法或其他优化算法来最小化成本函数，从而找到最佳的模型参数。

梯度下降算法通过计算参数的梯度，沿着梯度的反方向更新参数，逐步调整参数值以降低成本。

7. 模型训练：使用训练数据集来训练Logistic回归模型。

通过迭代优化算法来更新参数，重复计算成本函数和梯度下降步骤，直到达到停止条件（如达到最大迭代次数或成本函数的变化很小）。

8. 模型预测：使用训练好的Logistic回归模型来进行预测。

将新的输入特征传递给假设函数，计算预测的类别概率。

通常，如果概率大于一个阈值，将样本预测为正类；否则，预测为负类。

常见的阈值是0.5。

以上是Logistic回归算法的主要计算步骤。

在实践中，还需要考虑特征选择、模型评估和调优等方面，以获得更好的分类性能。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。

还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。

二值logistic回归：选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。

有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。

把你的自变量选到协变量的框框里边。

细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。

我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。

那么我们为了模型的准确，就把这个交互效应也选到模型里去。

我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。

然后在下边有一个方法的下拉菜单。

默认的是进入，就是强迫所有选择的变量都进入到模型里边。

除去进入法以外，还有三种向前法，三种向后法。

一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。

再下边的选择变量则是用来选择你的个案的。

一般也不用管它。

选好主面板以后，单击分类（右上角），打开分类对话框。

在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。

你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。

利用SPSS 进行Logistic 回归分析简要步骤
现实中的很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。

如果我们采用多个因素对0－1 表示的某种现象进行因果关系解释，就可能应用到logistic 回归。

Logistic 回归分为二值logistic 回归和多值logistic 回归两类.
第一步：整理原始数据。

数据整理内容包括两个方面：一
是对各地区按照三大地带的分类结果赋值，用0、1 表示，二是将城镇人口比重转换逻辑值，变量名称为“城市化”。

第二步：打开“聚类分析”对话框。

沿着主菜单的“Analyze→Regression→Binary Logistic
K
”的路径（图8-1-3）打开二值
Logistic 回归分析选项框.
第三步：选项设置。

首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调
入Dependent（因变量）和Covariates（协变量）列表框中（图8-1-5）。

在本例中，将名义变
量“城市化”调入Dependent（因变量）列表框，将“人均GDP”和“中部”调入Covariates （协变量）列表框中。

在Method（方法）一栏有七个选项。

采用第一种方法，即系统默认的强迫回归方法（Enter）。

接下来进行如下4 项设置：
⒈设置Categorical（分类）选项：定义分类变量.
⒉设置Save（保存）选项,
⒊设置Options
第四步,结果解读.。

Logistic 回归模型一、 分组数据的Logistic 回归模型针对0-1型因变量产生的问题，我们对回归模型应该作两个方面的改进。

第一， 回归函数应该用限制在[0，1]区间内的连续曲线，而不能再沿用沿用直线回归方程。

限制在[0，1]区间内的连续曲线很多，例如所有连续变量的分布函数都符合要求，我们常用的是Logistic 函数与正如分布函数，Logistic 函数的形式为：()1xxe f x e =+Logistic 函数的中文名称逻辑斯蒂函数，简称逻辑函数 第二、因变量y 本身只取0、1两个离散值，不适合直接作为回归模型中的因变量,由于回归函数01()i i i E y x πββ==+表示在自变量为i x 的条件下i y 的平均值,而i y 是0-1型随机变量,因而()i i E y π=就是在自变量为i x 的条件下i y 等于1的比例.这就提示我们可以用i y 等于1的比例代替i y 本身作为因变量.二,例子 在一次住房展销会上,与房地产商签订初步购房意向书的共有325n =名顾客,在随后的3个月的时间内,只有一部分顾客确实购买了房屋.购买了房屋的顾客记为1,没有购买房屋的顾客记为0,以顾客的年家庭收入为自变量x,对下面表所示的数据,序号年家庭收入（万元）x 签订意向书人数n 实际购房人数m 实际购房比例p逻辑变换p′=ln(p/(1-p))权重w=np(1-p)1 1.52580.32-0.7537718 5.442 2.532130.40625-0.37948967.718753 3.558260.448276-0.207639414.344834 4.552220.423077-0.310154912.692315 5.543200.465116-0.139761910.697676 6.539220.5641030.257829119.58974477.528160.5714290.287682076.85714388.521120.5714290.287682075.14285799.515100.6666670.693147183.333333建立Logistic 回归模型:c i x x p i i i,,2,1,)exp(1)exp(1010 =+++=ββββ,其中，c 为分组数据的组数，本例中c=9.将以上回归方程作线性变换，令)1ln(iii p p p -=' 该变换称为逻辑变换，变换后的线性回归模型为 i i i x p εββ++='10该式是一个普通的一元线性回归模型。

Logistic回归方法的正确应用及结果的正确解释金水高（中国疾病预防控制中心，北京，100050）Logistic回归是研究当因变量为二分变量时，因变量与自变量关系的常用方法,自80年代初引入国内后，随着计算机技术的发展，统计软件的日益成熟而得到了十分广泛的应用。

但是并不是所有的研究者对于Logistic回归的方法都能正确使用，对结果都能正确解释。

近年来文献中经常出现对方法错用、误用及对结果的错误解释的现象。

本文仅就在使用Logistic方法时经常出现的错误进行探讨。

1．Logistic回归中分类变量的数量化方法在Logistic回归中，自变量可以有多种形式。

以连续变量形式的如年龄；以等级变量进入方程的如不同的污染等级。

而更多的却是以分类变量（定性变量）形式出现的，如性别，地区，职业等。

对于多水平分类变量（如职业）的各个水平的赋值方式，尽管在正规的教科书上有详细的介绍，但经常有有些作者将多水平的分类变量按等级来进行赋值(1)。

下面摘引的是文献1的作者对其中一些分类变量取值的赋值（表1）。

表1 某个吸烟调查中一些自变量的意义及赋值作者将第一个变量不同水平赋为具有等级关系的四个值，虽然比较勉强，还可以接受，因为变量的四个取值确实存在程度的差异（但为什麽相邻之间都相差1，这就没有太多的道理了）。

而对后面的两个变量（M2及J4）的不同水平也赋予具有等级关系的值，而且相邻之间都相差1，那就没有任何道理了。

因为变量M2是询问调查对象是否在电视中看到过有关吸烟的内容，人们对这个问题给出的答案显然并不存在任何量上的程度差别。

对这类自变量的赋值应该采取数量化的方法。

通常建议的数量化方法为设臵哑变量。

例如对于上面的M2，有4种可能回答，则要设臵3个哑变量，假设为M21,M22,M23。

将每一种可能回答（水平）用一组哑变量的取值来表述（表2）。

从表2可以看到，用M21,M22及M23同时等于0表示没有在电视里看到过有关吸烟方面的任何内容；而用M21=1，M22及M23均为0表示在电视里看到过关于吸烟的内容，等等。

logistic回归原理Logistic回归是一种常用的分类算法，它基于Logistic函数进行建模，用于解决二分类问题。

本文将介绍Logistic回归的原理及其应用。

一、Logistic回归原理Logistic回归是一种广义线性模型，它的目标是通过对数据进行拟合，得到一个能够将输入数据映射到0和1之间的函数，从而进行分类。

其基本思想是通过线性回归模型的预测结果，经过一个Logistic函数（也称为Sigmoid函数）进行转换，将预测结果限制在0和1之间。

Logistic函数的定义如下：$$f(x) = \frac{1}{1+e^{-x}}$$其中，$e$是自然对数的底数，$x$是输入值。

Logistic函数的特点是在$x$接近正负无穷时，函数值趋近于1和0，而在$x=0$时，函数值为0.5。

这样，我们可以将Logistic函数的输出视为样本属于正类的概率。

而Logistic回归模型的表达式为：$$h_{\theta}(x) = f(\theta^Tx) = \frac{1}{1+e^{-\theta^Tx}}$$其中，$h_{\theta}(x)$表示预测值，$\theta$表示模型参数，$x$表示输入特征。

二、Logistic回归的应用Logistic回归广泛应用于二分类问题，例如垃圾邮件分类、疾病诊断、信用评估等。

下面以垃圾邮件分类为例，介绍Logistic回归的应用过程。

1. 数据预处理需要对邮件数据进行预处理。

包括去除HTML标签、提取文本特征、分词等操作。

将每封邮件表示为一个向量，向量的每个元素表示对应词汇是否出现。

2. 特征工程在特征工程中，可以通过选择合适的特征、进行特征组合等方式，提取更有用的特征。

例如，可以统计邮件中出现的特定词汇的频率，或者使用TF-IDF等方法进行特征提取。

3. 模型训练在模型训练阶段，需要将数据集划分为训练集和测试集。

通过最大似然估计或梯度下降等方法，求解模型参数$\theta$，得到训练好的Logistic回归模型。

sas logistic回归结果解读
SAS logistic回归是一种用于分析二元或多元分类变量之间关系的统计方法。

使用SAS进行logistic回归分析时，输出结果通常包含许多有用的信息。

解读这些结果可以帮助我们了解分类变量之间的关系，并为决策提供支持。

首先，SAS logistic回归输出结果通常包含模型拟合情况的信息。

这些信息包括模型的准确度、可信度、显著性和其他指标。

这些信息可以帮助我们评估模型的质量，并判断模型是否合理。

其次，SAS logistic回归输出结果还包含每个自变量的系数和置信区间。

这些信息可以帮助我们了解每个自变量对分类变量的影响大小，以及这些影响的置信度。

这些信息对于分析自变量之间的关系以及决策时非常重要。

此外，SAS logistic回归输出结果还包含对分类变量的预测能力的评估信息。

这些信息包括混淆矩阵、准确率、召回率等指标。

这些信息可以帮助我们了解模型的预测能力，并评估模型在实际应用中的效果。

总之，SAS logistic回归输出结果包含许多有用的信息，解读这些信息可以帮助我们了解分类变量之间的关系，并为决策提供支持。

[SAS] Logistic回归程序代码和输出结果基于贝叶斯判别的房地产信用评级研究本文首先采用Logistic回归法筛选出4个财务指标作为评价函数的计量参数，再构造Bayes判别算法建立信用评估模型，将其应用于某些房地产企业的实际数据分析，并评估其评判效果。

程序代码data LOGIT;input g x1-x10 @@ ; /* 输入数据和对应的变量名称，指定数据是按顺序对应变量(@@) */cards;1 76.02 112.16 52.65 16.24 4.17 88.54 -1.93 98.07 -58.63 -1.931 50.15 53.55 6.18 5.81 0.77 6.91 5.89 105.89 18.21 5.891 35.94 8.04 0.25 12.89 0.04 11.54 0.25 100.25 3.56 0.252 36.03 65.44 5.07 4.71 0.77 -4.21 2.42 102.42 47.27 2.422 76.95 86.32 -6.38 14.28 -0.51 101.50 -6.18 93.82 34.19 -6.182 36.36 37.91 6.01 10.78 0.87 -11.03 6.20 106.20 43.43 6.202 45.44 46.41 -1.09 14.04 -0.14 82.45 130.53 230.53 -82.56 130.532 48.80 43.19 6.97 11.15 0.94 20.58 8.62 108.62 7.67 8.622 21.09 45.85 6.10 13.79 0.00 32.70 6.86 106.86 -91.48 6.862 26.38 1.14 16.25 7.98 2.26 -31.83 15.26 115.26 63.42 15.262 32.61 26.18 8.51 22.08 1.45 10.71 8.89 108.89 6.14 8.892 25.16 57.63 20.94 23.88 3.44 -0.98 30.46 130.46 60.45 30.462 48.47 39.56 8.23 10.76 1.06 7.67 8.56 108.56 45.65 8.563 52.05 75.95 24.12 13.18 2.50 -7.47 24.90 124.90 18.17 24.903 86.92 14.00 4.55 10.96 0.38 -23.56 -79.83 20.17 36.01 -79.833 39.96 41.87 7.10 12.04 -0.12 8.20 3.24 103.24 5.98 3.241 65.00 29.00 1.50 2.00 0.16 54.55 -0.63 99.37 -58.34 -0.632 66.20 30.52 21.51 23.18 1.77 16.29 23.42 123.42 31.15 23.42…… ……;proc logistic data=LOGIT des; /* 选择Logistic回归模型对这个数据进行分析，对因变量设置des概率 */model g=x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 /selection=stepwise slentry=0.15 slstay=0.15; /* 指定因变量和自变量，逐步选择变量，设置stepwise显著性水平0.15*/run;输出结果SAS 系统 2012年05月26日星期六下午12时31分22秒 1The LOGISTIC ProcedureModel InformationData Set WORK.LOGITResponse Variable gNumber of Response Levels 3Model cumulative logitOptimization Technique Fisher's scoringNumber of Observations Read 48Number of Observations Used 48Response ProfileOrdered TotalValue g Frequency1 3 132 2 313 1 4Probabilities modeled are cumulated over the lower Ordered Values.Stepwise Selection ProcedureStep 0. Intercepts entered:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.-2 Log L = 80.949Residual Chi-Square TestChi-Square DF Pr > ChiSq13.0922 8 0.1087NOTE: No (additional) effects met the 0.05 significance level for entry into the model.Analysis of Maximum Likelihood EstimatesStandard WaldParameter DF Estimate Error Chi-Square Pr > ChiSqIntercept 3 1 -0.9904 0.3248 9.2980 0.0023Intercept 2 1 2.3979 0.5222 21.0830 <.0001SAS 系统2012年05月26日星期六下午12时31分22秒 2The LOGISTIC ProcedureModel InformationData Set WORK.LOGITResponse Variable gNumber of Response Levels 3Model cumulative logitOptimization Technique Fisher's scoringNumber of Observations Read 48Number of Observations Used 48Response ProfileOrdered TotalValue g Frequency1 3 132 2 313 1 4Probabilities modeled are cumulated over the lower Ordered Values.Stepwise Selection ProcedureStep 0. Intercepts entered:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.-2 Log L = 80.949Residual Chi-Square TestChi-Square DF Pr > ChiSq13.0922 8 0.1087Step 1. Effect x4 entered:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.Score Test for the Proportional Odds AssumptionChi-Square DF Pr > ChiSq4.7698 1 0.0290SAS 系统2012年05月26日星期六下午12时31分22秒 3The LOGISTIC ProcedureModel Fit StatisticsInterceptIntercept andCriterion Only CovariatesAIC 84.949 83.246SC 88.691 88.859-2 Log L 80.949 77.246Testing Global Null Hypothesis: BETA=0Test Chi-Square DF Pr > ChiSqLikelihood Ratio 3.7032 1 0.0543Score 3.7112 1 0.0540Wald 3.2133 1 0.0730Residual Chi-Square TestChi-Square DF Pr > ChiSq10.0282 7 0.1870NOTE: No effects for the model in Step 1 are removed.Step 2. Effect x6 entered:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.Score Test for the Proportional Odds AssumptionChi-Square DF Pr > ChiSq5.0078 2 0.0818Model Fit StatisticsInterceptIntercept andCriterion Only CovariatesAIC 84.949 81.703SC 88.691 89.187-2 Log L 80.949 73.703Testing Global Null Hypothesis: BETA=0Test Chi-Square DF Pr > ChiSqLikelihood Ratio 7.2465 2 0.0267Score 6.9374 2 0.0312Wald 6.1144 2 0.0470SAS 系统2012年05月26日星期六下午12时31分22秒 4The LOGISTIC ProcedureResidual Chi-Square TestChi-Square DF Pr > ChiSq7.4184 6 0.2839NOTE: No effects for the model in Step 2 are removed.Step 3. Effect x5 entered:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.Score Test for the Proportional Odds AssumptionChi-Square DF Pr > ChiSq6.0306 3 0.1101Model Fit StatisticsInterceptIntercept andCriterion Only CovariatesAIC 84.949 80.027SC 88.691 89.383-2 Log L 80.949 70.027Testing Global Null Hypothesis: BETA=0Test Chi-Square DF Pr > ChiSqLikelihood Ratio 10.9224 3 0.0122Score 9.5728 3 0.0226Wald 8.8338 3 0.0316Residual Chi-Square TestChi-Square DF Pr > ChiSq3.7605 5 0.5844Step 4. Effect x4 is removed:Model Convergence StatusConvergence criterion (GCONV=1E-8) satisfied.Score Test for the Proportional Odds AssumptionChi-Square DF Pr > ChiSq1.4638 2 0.4810SAS 系统2012年05月26日星期六下午12时31分22秒 5The LOGISTIC ProcedureModel Fit StatisticsInterceptIntercept andCriterion Only CovariatesAIC 84.949 78.987SC 88.691 86.471-2 Log L 80.949 70.987Testing Global Null Hypothesis: BETA=0Test Chi-Square DF Pr > ChiSqLikelihood Ratio 9.9625 2 0.0069Score 8.5919 2 0.0136Wald 8.0936 2 0.0175Residual Chi-Square TestChi-Square DF Pr > ChiSq4.6568 6 0.5885NOTE: No effects for the model in Step 4 are removed.NOTE: No (additional) effects met the 0.15 significance level for entry into the model.Summary of Stepwise SelectionEffect Number Score WaldStep Entered Removed DF In Chi-Square Chi-Square Pr > ChiSq1 x4 1 1 3.7112 0.05402 x6 1 2 3.3464 0.06743 x5 1 3 3.6124 0.05734 x4 1 2 0.9037 0.3418Analysis of Maximum Likelihood EstimatesStandard WaldParameter DF Estimate Error Chi-Square Pr > ChiSqIntercept 3 1 -0.2253 0.4165 0.2927 0.5885Intercept 2 1 3.7752 0.8090 21.7733 <.0001x5 1 -0.7061 0.2951 5.7259 0.0167x6 1 -0.0203 0.00878 5.3502 0.0207Odds Ratio EstimatesPoint 95% WaldEffect Estimate Confidence Limitsx5 0.494 0.277 0.880x6 0.980 0.963 0.997SAS 系统2012年05月26日星期六下午12时31分22秒 6The LOGISTIC ProcedureAssociation of Predicted Probabilities and Observed ResponsesPercent Concordant 72.7 Somers' D 0.459Percent Discordant 26.8 Gamma 0.462Percent Tied 0.5 Tau-a 0.236Pairs 579 c 0.730。