下载文档原格式
因变量是定性变量的回归分析—L o g i s t i c回归分析This model paper was revised by the Standardization Office on December 10, 2020因变量是定性变量的回归分析—Logistic 回归分析一、 从多元线性回归到Logistic 回归例 这是200个不同年龄和性别的人对某项服务产品的认可的数据(logi.sav). 其中： 年龄是连续变量,性别是有男和女(分别用1和0表示)两个水平的定性变量,而变量“观点”则为包含认可(用1表示)和不认可(用0表示)两个水平的定性变量。
从这张图可以看出什么呢从这张图又可以看出什么呢这里观点是因变量, 只有两个值;所以可以把它看作成功概率为p 的Bernoulli 试验的结果.但是和单纯的Bernoulli 试验不同，这里的概率p 为年龄和性别的函数. 必须应用Logistic 回归。
二、 多元线性回归不能应用于定性因变量的原因首先，多元线性回归中使用定性因变量严重违反本身假设条件，即：因变量只能取两个值时，对于任何给定的自变量值，e 本身也只能取两个值。
这必然会违背线性回归中关于误差项e 的假设条件。
其次，线性概率概型及其问题:由于因变量只有两个值;所以可以把它看作成功概率p ，取值范围必然限制在0—1的区间中，然而线性回归方程不能做到。
另外概率发生的情况也不是线性的。
三、 Logistic 函数Logistic 的概率函数定义为：我们将多元线性组合表示为：于是，Logistic 概率函数表示为：经过变形，可得到线性函数：这里， 事件发生概率=P (y=1)事件不发生概率=1-P (y=0) 发生比：Ω=-=pp odds 1)( 对数发生比：)(log )1(ln )log(p it p p odds =⎥⎦⎤⎢⎣⎡-= 这样，就可将logistic 曲线线性化为：从P 到logit P 经历了两个步骤变换过程：第一步：将p 转换成发生比，其值域为0到无穷第二步：将发生比换成对数发生比，其值域科为[]∞+∞-经过转换， 将P →logit P,在将其作为回归因变量来解释就不再有任何值域方面的限制了，即可线性化！四、 Logistic 回归系数的意义以logit P 方程的线性表达式来解释回归系数，即：在logistic 回归的实际研究中，通常不是报告自变量对P 的作用，而是报告自变量对logit P 的作用。
Logistic 曲线的回归分析例 某一品种玉米高度与时间（生长周期，每个生长周期为2-3天，与气温有关）的数据如表1.所示。
用转化为线性方程的方法估计其logistic 曲线预测模型。
设最大值k 为300（cm ）。
表1. 玉米高度与时间（生长周期）的关系时间（生长周期） 高度/cm 时间（生长周期） 高度/cm 时间（生长周期） 高度/cm12 3 4 5 6 7 8 9 10 11 0.67 0.85 1.28 1.75 2.27 2.75 3.69 4.71 6.36 7.73 9.9112 13 14 15 16 17 18 19 20 21 12.75 16.55 20.1 27.35 32.55 37.55 44.75 53.38 71.61 83.89 22 23 24 25 26 27 28 29 30 31 97.46 112.7 135.1 153.6 160.3 167.1 174.9 177.9 180.2 180.83.1 基本绘图操作在Excel 中输入时间x 与高度y 的数据。
选择插入->图表图87点击图表，选择“标准类型”中的xy 散点图，并点击子图表类型的第一个。
图88 点击下一步，得到如图89。
图 89点击下一步。
图90分别点击标题、网格线、图例进行修改，然后点击下一步。
图91点击完成。
图92右击绘图区，修改绘图区格式，双击做表格，修改坐标轴刻度，最后的散点图。
图93观察散点图，其呈S 型曲线，符合logistic 曲线。
采用转化为线性方程的方法求解模型。
3.2 Logistic 曲线方程及线性化Logistic 曲线方程为：1atk y me-=+ (12)(1) 将数据线性化及成图转化为线性方程为：01'y a a t =+ (13)其中，'ln(/1)y k y =-，0ln a m =，1a a =-具体操作为：向excel 表格中输入y ’数据。
