logistic回归分析优点_SPSS统计分析全解析Logistic回归（逻辑回归）

Logistic回归思维导图：

原数据部分截图：

先看一下是否低出生体重，与是否吸烟之间的关系，使用卡方检验：

接下来看一下，相同的单变量，使用Logistic回归应该如何去做：

看一下具体的预测概率值：

下面，把案例中的连续性自变量和二分类自变量纳入：

Wals检验可以作为变量筛选的参考，但不能用于最终决定。

那应该使用何种检验的结果才是准确的呢？

就是使用上面的-2对数似然值

通过比较多次建模，比较剔除该自变量前后的-2对数似然值，数值变小说明模型效果变好。

发现：

           -2对数似然值变化了，由211.072到221.076，增长了0.004，模型效果稍微变差。

==============================================================

这样太麻烦了，比较来比较去的，如何让它自动筛选呢？

我们使用向后：LR来自动筛选一下：

我们使用向前：LR来自动筛选一下：

所以，在实际操作中，最最稳妥的方式：

• 先进行数据描述
• 再进行单变量分析——每个自变量都与因变量进行一次交叉表-卡方检验
• 手动或自动进行单变量的筛选，多做几次，找区别(找模型中有变化的          自变量)
• 利用专业知识进行判断某自变量是否该剔除

上述方法是最最稳妥的方法，当然，可在数据设置好以后直接进行二元Logistic回归，但最好也要各种方法(向前LR、向后LR)多试一下，找出各模型中最终输出有差异的变量，再利用专业知识判断该变量是否该剔除。

当然，在进行二元Logistic回归之前，进行单变量分析——每个自变量都与因变量进行一次交叉表-卡方检验，也可尽早删除与因变量无关的自变量(注意：不要随意剔除变量，即使其P值稍大，可适当放宽条件)。

==============================================================

在我们的上述案例中有这样一个自变量：

选入“种族”这个多分类自变量:

定义了分类变量以后，在该自变量后面就会多一个括号(Cat)，即：该自变量已经定义了分类变量

虽然，race(2)的P值=0.531，不具有统计学意义，但也不可随意删除，因为哑变量“同出同进”原则。如下图，若删除了race(2)，参照水平就会变为：黑人和其他种族。即：白人和非白人相比，情况如何...(此时，哑变量的含义已经发生了改变。)

如何使白人作为参照水平呢？

如果使用向前：LR

==============================================================

考虑两变量间的交互作用：

     比如，想看一下年龄和是否高血压的交互

==============================================================

功能模块截图：

Logistic回归，在本质上仍然是一个回归模型，只不过基于因变量是分类变量的特征进行了很多变化，拟合方法是迭代，结果展示主要看OR值(比数比)。但是其背后的模型诊断、残差分析的思路和线性回归是完全一样的。

微信公众号 : 小芒果学Python

● 长按二维码，关注回复“python”获取免费视频教程

点「在看」的人都变好看了哦