多元logistic回归模型—

多元：因变量为多分类变量；结果在三种及三种以上。如：机构养老、社区养老、居家养老。

自变量：可以是分类变量或连续变量，建议是分类变量；

协变量：必须是分类变量；

案例：

步骤：

1.【分析】【回归】【多项logistic】，打开主面板—— 因变量、自变量分别按照箭头指示移入对应的变量框内，点击【参考类别】按钮，默认勾选【最后一个类别】。（指以因变量和自变量的最后一个分类水平为参照，用其他分类依次与之对比，考察不同水平间的倾向。）

2.主面板中，点击【模型】，打开【多项logistic回归：模型】对话框，勾选【主效应】。本例主要考察自变量年龄、性别、婚姻状况的主效应，暂不考察它们之间的交互作用，然后点击【继续】。

3.主面板中，点击【统计】按钮，设置模型的统计量。主要【伪R方】【模型拟合信息】【分类表】【拟合优度】这几项必选，其他可以默认不勾选。这些参数主要用于说明建模的质量。

4.主面板中，点击【保存】按钮，勾选【估算响应概率】，我们要求SPSS软件帮我们估算每个个案三类早餐的概率。下主面板底部点击【确定】按钮，软件开始执行此处建模。

5.其余的参数主要和逐步回归有关系，本例采用主效应模型，人为指定进入模型的自变量，在其他研究中，可以根据情况选择逐步回归。

结果分析与解读：

1.个案处理摘要表，列出因变量和自变量的分类水平及对应的个案百分比。建议在此表主要读取变量分类水平的顺序，比如自变量“年龄段”，第一个分类是“低于31岁”，第二个分类是“31-45”，第三个分类是“45-60”，第四个分类是“60岁以上”，尤其是看清楚最后一个分类，因为我们前面参数设置时要求是以最后一个分类最为对比参照组的。谁和谁对比，一定要搞清楚。

2.模型拟合信息表，读取最后一列，显著性值小于0.05，说明模型有统计意义，模型通过检验。

3.拟合优度表，原假设模型能很好地拟合原始数据，最后一列皮尔逊卡方显著性值0.952，概率较大，原假设成立，说明模型对原始数据的拟合通过检验。

4.伪R方表，依次列出的3个伪R方值（类似于决定系数）均偏低，最高0.4，说明模型对原始变量变异的解释程度一般，还有一部分信息无法解释，拟合程度并不是很优秀。

5.模型似然比检验表，我们能看到最终进入模型的效应包括截距、年龄、婚姻状况、生活态度，而且最后一列显著性值表明，三个自变量（影响因素）对模型构成均有显著贡献，研究它们是有意义的。
6.参数估计表，列出自变量不同分类水平对早餐选择的影响检验，是多项logistic回归非常重要的结果。

第二列B值，即各自变量不同分类水平在模型中的系数，正负符号表明它们与早餐选择是正比还是反比关系。第六列是瓦尔德检验显著性值，此值小于0.05说明对应自变量的系数具有统计意义，对因变量不同分类水平的变化有显著影响。

比如，早餐摊点和谷物类早餐相比，31-45岁的年轻人更偏向于选择在早餐摊点吃早餐，这种可能性是60岁以上人的3.7倍；燕麦类和谷物类早餐相比，结婚与否对早餐的选择没有差别。

多元logistic回归模型

1.经过对该早餐喜好民意调查数据进行多项logistic回归分析，由参数估计表，我们可以得到模型如下：

G1=LOG[P(早餐摊)/P(谷物类)]=-1.224+0.984年龄1+1.309年龄2+0.542年龄3+0.843婚姻状况0-0.792生活态度0

G2=LOG[P(燕麦类)/P(谷物类)]=1.134-4.273年龄1-2.532年龄2-1.192年龄3+0.843婚姻状况0+0.186生活态度0

G3=0 （对照组）

2.根据这个模型，我们首先计算某个受访者G1、G2、G3的值，然后带入如下公式，最终可得到三个早餐相应的概率。

P1=exp(G1)/[exp(G1)+exp(G2)+exp(G3)]

P2=exp(G2)/[exp(G1)+exp(G2)+exp(G3)]

P3=exp(G3)/[exp(G1)+exp(G2)+exp(G3)]

3.当然，SPSS软件已经自动帮我们计算出每个受访者三种早餐选择的相应概率，我们无需手工计算，返回数据编辑器窗口，具体来看结果。

原始数据最右侧新增3个变量，依次为EST1_1、EST2_1、EST3_1，分别对应因变量“早餐选择”的三个分类水平（早餐摊、燕麦类、谷物类）的响应概率。比如第一个个案，他选择谷物类早餐的概率为0.55，在三种选择中数值最大，因此，模型会判定他选择谷物类早餐，这和原始记录的真值一致，说明模型判断准确。

当然，SPSS软件也输出了模型预测分类表，如下所示。

模型在预测燕麦类早餐选择倾向上准确率最高，达到77%，其他两个早餐选择的预测略低，模型总体预测准确率为57.4%，表现一般。前面伪R方数据显示，模型对总体变异的解释能力不足，这和总体预测准确率结论也一致。

参考文献：
http://www.datasoldier.net/archives/370
http://www.360doc.com/content/18/0112/02/50153987_721214611.shtml

多元logistic回归模型——spss步骤相关推荐

二分类Logistic回归模型
Logistic回归属于概率型的非线性回归,分为二分类和多分类的回归模型.这里只讲二分类. 对于二分类的Logistic回归,因变量y只有"是.否"两个取值,记为1和0.这种值为0 ...
R语言广义线性模型Logistic回归模型列线图分析（nomogram）
R语言广义线性模型Logistic回归模型列线图分析(nomogram) 我们来看图说话: gist是一种胃肠道间质瘤,作者构建了无复发生存率的logistic回归模型. 并构建了如下的列线图或者no ...
R语言广义线性模型Logistic回归模型C Statistics计算
R语言广义线性模型Logistic回归模型C Statistics计算区分能力指的是回归模型区分有病/无病.有效/无效.死亡/存活等结局的预测能力.比如,现有100个人,50个确定患病,50个确定不 ...
R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值
R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值 Glmnet主要用于拟合广义线性模型.筛选可以使loss达到最小的正则化参数lambda.该算法非常快 ...
多元时间序列回归模型_多元时间序列分析和预测：将向量自回归（VAR）模型应用于实际的多元数据集...
多元时间序列回归模型 Multivariate Time Series Analysis 多元时间序列分析 A univariate time series data contains only on ...
logistic回归模型总结
logistic回归模型是最成熟也是应用最广泛的分类模型,通过学习和实践拟通过从入门.进阶到高级的过程对其进行总结,以便加深自己的理解也为对此有兴趣者提供学习的便利. 一.有关logistic的基本概 ...
matlab Logistic回归模型
ogistic regression属于概率型非线性回归,它是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法.例如,在流行病学研究中,经常需要分析疾病与各危险因素之间的定量关系,为了正确 ...
logistic回归模型python_【机器学习速成宝典】模型篇03逻辑斯谛回归【Logistic回归】（Python版）...
目录一元线性回归.多元线性回归.Logistic回归.广义线性回归.非线性回归的关系什么是极大似然估计逻辑斯谛回归(Logistic回归) 多类分类Logistic回归 Python代码(skl ...
R语言手动绘制分类Logistic回归模型的校准曲线（Calibration curve）（3）
校准曲线图表示的是预测值和实际值的差距,作为预测模型的重要部分,目前很多函数能绘制校准曲线. 一般分为两种,一种是通过Hosmer-Lemeshow检验,把P值分为10等分,求出每等分的预测值和实际值 ...

多元logistic回归模型——spss步骤

多元logistic回归模型——spss步骤相关推荐

最新文章

热门文章