10章Logit回归要点

《10章Logit回归要点》由会员分享，可在线阅读，更多相关《10章Logit回归要点（35页珍藏版）》请在装配图网上搜索。

1、2011623通知：考试时间改为，2011629下午2:30, A405教室参考资料1、 陈峰等，医用多元统计分析方法，中国统计出版社，2000年12月第1版2、 张尧庭，定性数据的统计分析，广西师范大学出版社，佃91年11月第1版3、 阮敬，SAS统计分析一从入门到精通，人民邮电出版社，2009年4月第1版，39.00元类型分类（因变量）例宀日. 疋量连续/计量利润离散/计数人口定性（名义）二分类性别多分类（无序）职业多分类（有序）学历亠、变量的分类变量的分类宀日连续/计量例如，身高疋量i离散/计数例如，人数=有序例如，学历定性L v二分类例如，性别名义彳、多分类例如，职业注：计量指标与计数

2、指标一般好区别。特殊情形下不好区别，如年龄类型分类（因变量）例方法分布备注宀日. 疋量连续/计量利润普通回归正态可运算离散/计数人口普通或Log回归Poiison 分布可运算定性（名义）二分类性别Logit回归二项分布不可运算多分类无序职业基准一类别Logit回归r多项分布不可运算有序学历累积Logit回归Poiison 分布不可运算因变量y自变量xjlix方法分布定量（连续，离散）定量 琏续,离散），定性普通回归模型:二分类连续，定性（二分类， 多分类）Logit模型二项分布SAS中可非线性多分类多分类（有序）Logit模型Poiison 分布SAS中可非线性多分类（无序）Logit模型多项

3、分布定量，定性定量，定性?】、两分类变量的logistic回归1、logit 变换考虑上市公司中企业类型（ST与非ST ）与财务指标的关系。常常需要研究事件A发生的概率p大小与某些因素有关。例如，讨论某特定人群（例如糖尿病患者）中患动脉硬化的概率与年龄的关系。显然 人群中只有两种状态“动脉硬化”和“非动脉硬化”（简称为“患病”和“不患病”），人群的状态记为y，则“患病”和“不患病”对应着 y的两个取值：y =1，y = 0。用事件表示 即y=1“患病”=“动脉硬化” ，y = 0“不患病”=“非动脉硬化”若患病率记为p，则 显然pfy n_py =1丄1一 p讨论患病率p与年龄X的关系，显然，

4、患病率随着年龄X的增加而增长。例，观察了 123位糖尿病患者，记录了他们的年龄 x以及是否患动脉硬化y。数据格 式见下表，详细数据见附录一2。表1、 糖尿病原始数据 （注：此为简表，详见附录3数据）编号动脉硬化分类 年龄nyx1032123178符号说明符号解释注1动脉硬化0动脉非硬化编号是否动脉硬化年龄根据这些数据如何分析是否患病 y与年龄X的关系?能否建立y关于x的回归方程？不行。因为y的取值并无实际意义。将数据分组，得到各组的患病率 p （见表2），能否建立p关于x的回归方程? （如何将表1的原始数据整理成表2的分组数据？详见附录1）。表2糖尿病分组数据分组组号频数ni患病频数n患病频率

5、pi n；ni组中值xi35以下1200.00032.536402710.14337.541 4531230.25042.5465041160.54547.551 5551290.75052.55660615120.80057.561 65724200.83362.56670823220.95767.571 75914141.00072.576以上10331.00077.5合计123900.732假设能建立P关于x的回归模型：P _0 gx -:根据表2数据，得如下(普通)回归结果N=1ORegressian Summary for Dependent Variable: p (S|pread

6、9lheet1)R= .95721507 R2= .91626069 Adjusted F?2= .90679327尸(1 .0)=57.535 p 0时，f(p)：； p 1时，f(pn :。这符合要求的特征(1)。 因为要求变化率df (p)在P =0和p=1附近有较大的值，故df (p)应与1 成正比， 记为df(P)1OC dpP(1-P)将上式取成等式，并作分解df (p)111 -4 ”dp P(1-P) P 1-P这是一个简单的微分方程。容易验证，满足此微分方程的函数(微分方程的解)是Pf (p) = InIn p -1 n 1 - p( 1)1 - p这是一个并不复杂的对数函数

7、，符合要求的特征(2)。故f(p) Jn 丄就是要寻找的函数。1 - P(1)式称为logit变换(logit transformation)。或许此名称就是“log it(取对数)之 意。1970年Cox首先研究了 logit变换。显然，函数f (p)在在p=0和p =1附近的变化率很大，而且，当从 0变到1时，f(p)从_：变到：。患病概率p与年龄x不是线性关系，In 与x可以是线性关系，这就克服1 - p了前面提出的两点困难。设pIn0 工必 :1 - p上式称作P关于x的logit回归模型。下式称作p关于x的logit回归方程:pIno ： Sx1 - p【注】 验证f(p)=I n是

8、微分方程的解。因为 (I nx) = (I nxj=2，所以1 -pdxxdf(x)dpdpInPJ-IIn p Tn(1 - p)丨-1 1 1 1 11 =p 1 - p p 1 - p P(1 - p)2、例回到上例。求患病概率p关于年龄x的logit回归方程：In =1x，其中 P 二 Py = 11 - P原假设：H。： 口 1=0,患病率与年龄无关 定性分析：根据本例的实际背景，可以有如下判断。回归系数符号备注a1+年龄x是连续定量变量，a1的符号有意义：患病率与年龄成正比在statistica中实现logit回归的步骤如下将表1中的数据复制到statistica中，建立数据文件。

9、文件格式如下操作如下。Statistics Advanced Linear/Nonlinear Model Nonlinear Estimation Quick Logit regrqssiohInput file |若为原始数据选codes andno co u nts在Variables|中选自变量x、因变量y。若为分组数据选codes and counts在|Variabled中选自、因变量和频数Ok I Qk | Summary （本例为原始数据，故选“ nocounts”。得如下结果Model： Loais-lic rearessiioi-i (logiit) N ofOJs:33

10、1 *s:9CiDe-p. var. y LeiBs. MaH likelihood (IMS-rrto 1 )FZI igw： 4A 391 763449 Chi2lf1 =S0 279 o= OOCCiON=123Cunsl. BQI xGstimale-7 5GCO. 153Sl-and-ard Error1.520 .29WO4.973p-lt!V?lo ooo0.000-9S%CL1Oi匚7号 1Q1+95%CL-4.5S7 215SA/alri? Chi-quarn24 7S1 207p-lvalo noa口口口口Odd爭Hid (unrt 匚hjQ 0011 171-95%CLO

11、 OOG1 106+9S%CL.101 240 Odds 畑tin (rera)H34 102-95%CL104 601-b9G%CL19G 1 690 |因此，logit回归方程为In L 二：o jx 二-7.566 0.158x，其中 P =Py =11 - p0）。对于检此结果与定性分析的判断相符。结果表明：年龄x的系数检验显著（不为 验的问题拒绝H 0H。： 口 1 =0,患病率与年龄无关，故，患病率与年龄有关：年龄越大，患病的可能性越大。 logit回归方程可写成如下形式：0 ：1X.7.5660.158x_ e 即口 eP 二，即 P 二7566 0.158x1 * e1 * e

12、在同一坐标系中，画出上述logit回归方程的图像和患病频率的散点图。204060 80z,x由上图可知，logit回归方程与实际患病频率拟合得相当好。由logit回归方程Z566 0.158X eInp/(1 - P)丨=-7.566 0.158x，或 P7.566 0.158x1 +e可进行预测了。例如将年龄x=60代入上式，得p =0.871，既对于60岁的糖尿病患者，患 动脉硬化的概率为0.871。下面讨论参数 =0.158的统计意义。3、(二分类)logit回归方程的一般形式如果影响In 的因素有X!，X2，ll1,Xp，则多元logit线性回归方程为1-PIn P 0 ： 1X1 ：

13、 2X2 川：pXp 1 - P0 -：1X/2X :kXk1 十00 屯1X1 乜X2 十 I 4UXk多元logit线性回归方程还有以下等价形式ep =1p _ 1 . e01 ；2x2 】i tkXk)若将In 丄 看成是因变量，则logit线性回归模型与多元线性回归模型的形式是一致1 - p的，且有很多共性。不同的是：1、logistic回归模型中因变量是二分类的，而且非连续，其误差的分布不再是正态分 布，而是二项分布，且所有的分析均建立在二项分布的基础上。2、由于上述原因，logit回归系数的估计不能再用最小二乘法， 而要用极大似然估计法 回归模型和回归系数的检验也不是 F检验和t检

14、验，而要用 Wald检验、似然比检验等。4、优势ln ： 0.二必=-7.566 0.158x1 - p首先看看一P的统计意乂。P: y =1 = p是患病的概率，P、y = 0$ = 1 - p是不患病的概 1 -P率，则就是患病概率与不患病概率之比，称1 -PP1 - P为优势（oddS，记为OD = odds 1 - P因此，优势OD的统计意义是：“患病概率”相对于“不患病概率”的倍数。当OD 1时，“患病概率”大于“不患病概率”；当OD ：1时，“患病概率”小于“不患病概率”； 当OD =1时，“患病概率”等于“不患病概率”。因此，多元logit线性回归模型可写为lnOD：必：2X2

15、川：pXp因P越大，则1-P越小，又In x是单调函数，故p与OD成正比，OD与InOD成正比p 二 OD In ODInOD越大，则OD越大，则Py =1二P“患病”,p越大。 当:i 0时，p与Xi成正比；当： 0时，p与Xi成反比。 回到动脉硬化的例子。模型为pInIn OD = ： 0 “ 场x 二-7.5660.158x1 - p0 - 1X _7.566 0.158XOD 二 e ex=60时，ODx a二e566 0.158 60 = 6.78, “患病”概率是“不患病”概率的 6.78倍，或 “患病”概率比“不患病”概率高 5.78倍。（odds-可能的机会，成败的可能性，优势

16、，不均，不平等，几率，差别）6、回归系数的解释与优势比讨论logit回归模型pInIn OD = ： 0：x1 - P=OD 心-1x1 - p中，回归系数：1的统计意义。当x =xo时，患病的概率记为P0，优势记为OD0;当x =x0 1 （即x增加1个单位）时，患病的概率记为P1，优势记为OD1 则In二 In OD0 - 0 -片沧1 - P0In 乩=In ODr = ： 0：（Xo 1）1 - P1OD1In= In ODr -In OD0ODo=i(Xo 1) -： o gXo=o *1X0*i o 1X0即：1的统计意义是：自变量增加1个单位，优势OD1与ODo之比的自然对数增（

17、减）： 1个单位。（.0时为增，冷:o时为减）喘，ODrP1Po为优势比（odds ratio），记作OR然对数增（减）：1个单位。显然,ODo 1 - P11 - Po则冷的统计意义是：自变量增加1个单位，优势比的自优势比。唱心以动脉硬化数据为例，模型为In p 则回归系数=0158的意义是：=：0 11 %x = -7.566 0.158x1、年龄X每增加1岁，优势比的自然对数InO R=l n?增加0.158个单位。ODo。若是定性变量则不一定 能这样x = 2表示农民,则“ x增加1个单位”是没有意义的）In1ODo（注意，年龄是定量的连续型变量，故可以这样解释 解释，如X是职业，X=

18、1表示工人，ODr2、等于优势比ODo1的对数:3、注意p（: .：1X），虽然由-1不能直接对p进行解释，但可以判断：若 r，1 * e则P增加，反之则减小。6、小结公式意义模型In P 二InOD o Jx，或 OD Fo ：1X1 - POD 二 p.1 _ P事件C y = 1发生的概率是不发生的 OD倍优势p=OD 1-p:-1 o，x ， In OR ； :1 o，x ， In OROR = OD1/ODx增加1个单位，优势增减 e -1倍1儿力比OD1 ODoe1，优势增加；e ，优势减小系数OD1InX增加1个单位，优势比的自然对数增（减） 1个单位ODo三、多分类有序变量的l

19、ogistic回归设因变量y为有k个等级的有序变量：y =12H|,k。x(x1|,xh)为自变量。记y的等级为i的概率为P(y =i x) =口，i -1,21,k。则等级小于等于i的概率为P(y 叮 x)二 P(y =1 x) P(y =2x)川 P(y =i x)二 Pl P2 川 Pi称P(y列x)为等级小于等于i的累积概率(cumulative probability)。作logit变换：P(y i|x)叽巳心小巴卡鳥卜)有序变量的logistic回归模型定义为hlog it P(y i x) -i吃恥,i =12川，k1i=1等价于P(y S x)二1 +expl-ctj + 迟

20、PixiI y 丿实际上是将k个等级人为地分为两类：,2,川,门和，在这两类定义的logit表示: 属于后k -1个等级的累积概率与前i个等级的累积概率的比数之对数，故该模型称为累积比 数模型 (cumulative odds model。X是解释变量均为0时, j与i无关，故：有序变量的累积比数模型有k -1 h个参数，：-和 j为待估参数(i=1,Hl,k-1， j=1,lil,h )，对于任一 i , logit(P(yi|x)是自变量的线性函数。在某一固定的i下，两类不同概率之比的对数值。由于回归系数% “2 川叭根据有序变量的logistic回归模型，可得每类结果的概率：P(y =i

21、 x) =P(y x) - P(乞 i 一1 x)八 氷 u 空：J1 exp1h-：i4iXim1_ ( h1 exp i 二：ixi-level 9&%CL45%CLWalds Chi-square p-levelOdds raitio (umi! ch) -95% CL+55%CLOdds ratio (range) -AECL+95%CL6290.199 -23.2170.000-5.D2D -4.230 5：B9.CJ39 .DOOO.DIO0.007O Dl JQ.1091.015 0310 -0.1030.32J1.0.1.Q.0.5050.0539.614Q.107227220

22、331119C36119C3FIWO2O023DOGO9S37X4S4 口 E 4 H4.5543.3436 203_0528 5000800 3370 54072 245 I 5501 4口11 7153 7272 7S2S04H因此，logit回归万程为In= -4.629 0.110S 0.505G 0.439C1 - P为了明确p是如何定义的，最好在模型后面注释一下。In = .6290.110S 0.505G0.439C ，其中 Py=1.；=p1 - p检验结果表明：S性别的系数检验不显著（为0）,而工龄G和学历C的系数检验均显著（不为0）。对于3个检验的问题Hs： ：0，晋升与性

23、别无关，接受HsHg： 0，晋升与工龄无关拒绝HgHoc：=0，晋升与学历无关拒绝Hc故，晋升与性别无关，与工龄和学历有关：工龄越长、学历越高，晋升的概率越大。 实际上，两个logit回归方程都是正确的，只不过 p的意义不同。= 4.629-0.110S -0.505G -0.439C,其中 Ply =0 = pp 值0.310In=-4.629 0.110S 0.505G 0.439Cp值0.310四、附录1、将糖尿病原始数据(表1)整理成分组数据(表2)第1步，在exceI中，用if语句将123个样品(患者)分成10组。由于if语句只能嵌 套7个if语句(分8组)，可将数据按年龄排序后，分

24、两次将 123个样品分成10组。两次 分组的if语句如下：第 1 次：IF(c235,1,if(c2v40,2,if(c2v45,3,if(c2v50,4,if(c2v55,5,if(c2v60,6,if(c2v65,7,if(c2v70,8,9)第 2 次： IF(d2X1.=5.t站丸刊區或牌爲埠u厂瘙吉H计宜审JS医皿朋常创涩的抿晒豊aiE曲箱遴现精Hi严範18懣规囲|旦蝕疝：8觇？1.| 監* | | | F：母 Qp . 住Kfi 吒)硼I上站创斤帧计飙I第2步，运用excel中的“数据透视表和数据透视图”功能，将123个样品分成10组。这“ 3步骤之3”中，选“布局”0鳖据透视表和

25、戳据逶机图冋导-3步婆.13 _BE勒击需ET榔3创建克抵遢1除.SF1I22这“ 3步骤之3”中，选“布局”0布舄QJ . | aJS%: I 酗 I上一吿I 舌：凭他応i这“ 3步骤之3”中，选“布局”0将分组变量C拖入“行（R） ”，将变量Y拖入“列（C）”，再将变量Y拖入“数据（D） ”, 双击“求和项：y”出现下图。将“求和”改为“计数”，见下图按“确定”出现下图。数据透视表和数据透视圉向导- 3步骤之3!-勲据适规表显示沱晝广浙楚工作表Qf）P现有二Tt表国） 耳 *.iTi$TEL|单缶“芫减搖钗赳建麴惬适脱.布尿如 |选顼| 取消 J齿酣将光标指向“现有工作表” （1-处），指

26、出计算结果的存放位置（2处）。本例中, 存放在“ Sheet1!$F$1,即存放在“当前工作表的第1表的第f列、第1行”的位置。按“完成”。出现下图。经适当计算、整理得下表。再整理成下面的表2各组频数患病频数恵病频率1200. 0002710, 1 4331230. 25041160. 54551290. 7506151 20, 800724200. S33823220. 957914141. 00010331 一 000总计123900. 732表2糖尿病分组数据分组组号频数ni患病频数n患病频率Pi n（1）ni组中值xi35以下1200.00032.536402710.14337.541

27、 4531230.25042.5465041160.54547.551 5551290.75052.55660615120.80057.561 65724200.83362.56670823220.95767.571 75914141.00072.576以上10331.00077.5合计123900.732注意:.应考虑患病频数.（此为新增加的）.。2、将教师晋升分组数据（表4）转换为（软件可识别）分组数据（表5）的SAS程序表4教师晋升分组表性别s晋升y工龄g学历c012300119820718918911415202331注意：1按从左到右的顺序：s, y, g, c读数，顺序不能混；2、

28、s, y，g, c的取值从小到大读取（见程序第 3行）3、 数据行（从第5行开始）中仅放频数：佃8,，31等。s, y, g, c的取值 不要放到数据行中。SAS程序如下：TITLE Logistic回归一教师晋升数据data qc;do s=0,1;do y=0,1; do g=1 to 4; do c=0 to 3;input f ; output;end; end; end; end; cards; 19820718918917923616313719318414791186151834135712510101491315151416161149971421859614018217614

29、118317013717915711710112613371320714202515202331proc print;proc logistic des;model y=s g c /clodds=wald;freq f;run;将上述程序复制到SAS软件的编辑窗口。程序运行后，出现如下输出L储i妣i心回归-教师晋升数据Obssycf1 00101982 00I12Q7anni?ns将上述输出的数据选定，复制到空白的word文档中进行设法进行编辑，并转化为如下的表格格式即可。Obssygcf1001019863114223641143313、数据表1、 糖尿病原始数据 （注：这是未分组数据！）

30、编号动脉硬化分类年龄nyx1032203430354035503660367036813690391004011040121411304114041150411604304343434343454545454747484949494950505252525253535454545455551101111111111011015555565656575757575758585960606161611 611718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646

31、5111110111111111011111111111101616262636363636363636363636364646464656565656666666666666767686868696969696969696970707071717171666768697071727374757677787980818283848586878889909192939495969798991001011021031041051061071081091101111121131141171115172116173117173118173119173120174121175122177123178表5

32、教师晋升分组数据(软件识别格式！)nsygcfT001019820011207300p2189400131895002017960021236700221638002 :31371900301931000311841100321471200：33911300401861400411511500428316004341170110318011151901127200113122101205220121102301b2 :210240123142501309260131132701(32152801331529014014300141163101(421632014311331010493410r

33、 11973510h2142361013185371020963810121140：391022182401023176411030141：421013118343103217044103313745104017946 104115747104211748104310149111015011112511112652111313531120354112175511221356112320571130758113114591132206011332561114015621141206311422364114331四、数据1、糖尿病详细数据ntypesexagedurabmiisitglncholnsbpalbln编号动脉硬 化分类性别年龄糖尿病 史体重指 数=w/h/h胰岛素敏 感指数甘油三脂胆固醇收缩 压尿白蛋白ntsadbitgcsbal10132121.3-4.920.471.611051.1620134225.2-3.730.241.671303.67301350.622.6-4.311.11.811102.04402350.122-5.130.161.551101.7650136127.6-4.231.581.671003.18601360.122.3-4.960.581.28