（一）Logistic回归函数
主要应用在研究某些现象发生的概率p，比如股票涨还是跌，公司成功或失败的概率，以及讨论概率P与那些因素有关。显然作为概率值，一定有0≤p≤1，因此很难用线性模型描述概率p与自变量的关系，另外如果p接近两个极端值，此时一般方法难以较好地反映p的微小变化。为此在构建p与自变量关系的模型时，变换一下思路，不直接研究p，而是研究 p的一个严格单调函数G（p），并要求G(p）在p接近两端值时对其微小变化很敏感。于是 Logit 变换被提出来 Logistic回归模型中的因变量只有0和1（如是和否、发生和不发生）两种取值。假设在p个独立自变量作用下，记y取1的概率是=P（），取0的概率是，取1和取0的概率之比为，称为事件的优势比（odds），对odds取自然对数即得Logistic变换。令，则，即Logistic函数如下图所示。 当p在（0,1）之间变化时，odds的取值范围是（0，+∞），则Logistic函数的取值范围是（-∞，+∞）。
（二）Logistic回归模型
（三）Logistic回归建模步骤
1.根据分析目的的设置指标变量（因变量和自变量），然后收集数据； 2.y取1的概率是p，y取0的概率是1-p。用和自变量列出线性回归方程，估计模型中的回归系数； 3.进行模型检验，根据输出的方差分析表中的F值和p值来检验该回归方程是否显著，如果p值小于显著性水平α则模型通过检验，可以进行下一步回归系数的检验；否则要重新选择指标变量，重新建立回归方程； 4.进行回归系数的显著性检验，在多元线性回归中，回归方程显著并不意味着每个自变量对y的影响都显著，为了从回归方程中剔除那些次要的、可有可无的变量，重新建立更为简单有效的回归方程，需要对每个自变量进行显著性检验，检验结果由参数估计表得到，采用逐步回归法，首先剔除掉最不显著的因变量，重新构造回归方程，一直到模型和参与的回归系数都通过检验； 5.模型应用。输入自变量的取值，就可以得到预测变量的值，或者根据预测变量的值去控制自变量的取值。
（四）对某银行降低贷款拖欠率的数据进行逻辑回归建模，该数据如下图所示。
（五）运行代码清单可以得到如下输出结果
网友评论