一分钟搞懂如何选择进入多因素 logistic 回归模型中的自变量。 前面我们提到 logistic 回归对样本量和自变量的数量有一定的要求,因此我们不能一次性将所有自变量放入一个 logistic 回归模型中,这样会增加模型的负担而得不到稳定可靠的结果。 通常我们会挑选单因素 logistic 回归中具有显著意义的自变量进入多因素 logistic 回归模型中。进入模型的方式分为以下几种, 一、输入法,也就是将所有单音素 logistic 回归中有意义的自变量全部纳入多音素 logistic 回归模型中,该方法适用于自便 量的数量较少且样本量充足的情况。二、前进法根据单因素 logistic 模型中有统计学意义的自变量的统计学显著程度,由高到低逐个进入多因素模型中, 并依次检验模型的稳定程度,直到纳入的自变量不再显著时停止纳入。 三、后退法。先将所有在单音速 logistic 回归中有统计学意义的自变量全部纳入禁多因素模型中, 在依次由高到低剔除多因素模型中被较正后而无显著统计学意义的自变量,直至模型中全部自变量均为因变量的独立风险因素。后退法和前进法常用于自变量较多的情况。 怎么样,是不是超级简单呀?赶紧运用起来吧!关注我,还有更多科研干货等你来学!
粉丝3088获赞6686

sbss 操作步骤讲解系列第二十五课二元 logistic 回归分析 二院 lutistic 回归分析因变量为二分类变量,自变量可为连续型随机变量或者分类变量,取之常为零获一,采用最大自然比法或者迭代法进行参数的估计。 第一步,将数据导入 spss 中并复职,若因变量数据的取值不是零和意识,可以在 spss 软件中进行重新编码。 第二步,点击转换重新编码为相同变量。第三步,进入图中对话框后,将需重新编码的变量放入变 亮框中,点击旧值核心值,在旧值里填入旧值,在新值里填入新值,点击添加全部,重新复制后点击继续确定。在结果框里出现对应语法后表明重新编码成功。 第四步,点击分析回归二元 logistic。 第五步,将音变量、自变量放入对应的变量框中,点击分类,将非连续性随机变量、有序分类数据和二分类数据进行压变量处理,在右侧红框里设置参考对象,点击继续。 第六步,点击选项勾选霍思默来没效你何优度迭代历史记录 x 挂号 b 的致信区间,点击继续确定。 然后二元 logistic 回归分析的个案处理摘要因变量编码分类变量编码迭代历史记录分类表方程中的变量为包括在方程中的变量模型系数的 ambus 检验模型摘要或私募蓝莓效检验 分类表,方程中的变量结果就出来了。将方程中的变量表粘贴复制到表格中进行整理, 可将置信区间的内容删除后,在表格的下方加入模型检验的结果后,将整理好的结果复制到 word 中进行表格的制作和文字解释。 学会了记得点赞关注哟,可带坐指导学习交流。

做临床的医生小伙伴应该都会接触大量的临床数据,但是如何利用自己手上的数据做出高质量的文章还是一个难题。今天小薇就给大家分享一个提升文章档次和内容的知识。用 spss 的 logistic 回归构建预测模型, 我们以下面这个案例来具体看看如何构建模型。某研究人员,你建立一个关于冠心病患者支架,介入书后再次发生 mais 事件 major advice cardiovascular events 主要心血管不良事件的风险预测模型。数据扩格是如下图所示,其中应变量结局事件为 event 自变量影响因素为,性别、 gender 年龄 h 索索亚 sdp、 吸烟、 smoking、 低密度脂蛋白胆固醇、 ldl 及官脉病变 syntax 群分 syntax。 下面 开始具体的数据分析,一、分析 analyze 回归 regression 二、元 logistic 回归 binary logistic regression。 二、将 in 变量 event 选入 in 变量 dependent 空中,将各个自变量选入协变量 coverage 空中。三、点击保存 save, 在预测值 predicted values 下勾选概率 probabilities, 目的是为了在数据库中新生成一个概率值,用于绘制 rock 曲线和较准曲线图。 四、点击选项 options 勾选 housemailed so goodness of fate, 用于输出 housemailed soul 你和优度检验的结果。五、 输出结果方程中的变量 variable in the equation 中输出了每个影响因素的回归系数, battle or 值百分之九十五 ci 以及批纸等信息。回归方程如下, logicp 等于 余减六十八点八,二八减十点二三三 jane 加一点二五七 aj 零点一九五 sbp 一点二零五 smoking 加十点三一二 ldl, 零点九四三 syntax。 以上就是今天的分享内容,是不是很简单呢?有了这个利器,你就可以把手里的临床数据利用起来了。

大家好,今天呢是我们本系列课程的最后一次课程,那我今天要给大家讲的呢是 logistic 回归,它也是回归分析当中的一种很常见的方法, 它的内容主要包括简单的二分类, logistic 回归以及它的 sps 的操作实力,还有就是多项 logistic 回归以及 sps 的操作实力。 那我们都知道我们之前所讲的线性乌龟,他都是讲自变量的一些变化和各种各种各样的情形以及遇到的问题。那我们今天讲的是因变量的不同的情形。 之前我们讲的应变量其实都应用在一个是连续变量,那我们如果遇到了是分类型变量,比如说一二三四啊,或者是说 我们分等级啊,或者是分类啊,这种情况呢,我们该怎么办?这个时候呢, logs 的回归就用到了派上用场,那分类变量也有一种最常见的就是说适合否零或一的分类,那这就是我们所说的简单二分类。 这个时候呢,我们如果选取因变量为一的概率,比如说 p y 等于一分为一的概率,这个时候 p 与概率自变量之间的关系却很难用线情函数去表示。这个时候呢,我们需要取一个变换,也就是所常说的 logic 变换,我们令 q 等于 loin, p 除以 p 一减 p 用它等于一个线性表达式, b 零加上 b e x e 加上 b n x n, 这个呢就是 logic 偏换,也就是我们所说的 logistic 线性回归模型的由来。我们既然做了这样的一个变化,那就与普通的线性回归有一些区别,我们我们的参数估计的方式有了很大的区别,之前呢 都是由最小二成估计,这里用的是极大自然估计,至于什么是极大自然估计呢,那就大家私下里可以看一下同字学的一些相关课程去了解一下。 那第二个呢,回归系数的解释含义也有很大的区别,劳力斯,这个回归他呢系数表示的是事件发生与不发生的概率比,他,这个和我们之前的有有很大的区别哦,这个是需要大家注意的地方, 这个呢是简单二分牢记,所以我们根据这个呢,我给大家举一个例子,是说比如说银行拖欠贷款的影响运输进行分析, 可选的是呢有客户的年龄,教育水平,工龄等等这些因素,我们从中选择出对是否投权贷款的预测因素,那投权贷款只有两种选择适合否,这个时候呢,我们选择二分类。劳介斯蒂克, 这是我们的一个变量视图,一个是数据视图,这是我们的数据, 下面呢我们进行操作,这个时候分析回归不是现行回归喽,这个时候是二元 logistic, 然后进入一个回归的界面,在这里面选择应变量和自变量,设置 外力的等于一,然后点击分类回对话窗口,这个时候我们这个例子当中只有教育是分类变量加入,想让他选入右边的 的窗口当中,这个时候具体的操作是这样的一个操作,大家可以看一下这些选项变量之间的操作,然后就可以点击确定进行回归,这是回归的一个输出结果。同样的是模型汇总图, 但是呢我们这里有一个对数自然值以及这个 r 方,这个 r 方 两个和之前不一样,但是呢他们的含他们的含义是一样的,就是说越接近说明我们模型的离合度也好。这里呢我们的模型度虽然说离合程度不是很高, 但是由于我们的参数啊,主要是用于模型之间的对比,所以他虽然礼盒程度不是很高,也没有很大的关系。然后呢,我们再看一下这个随机性检验的表格,这个表 比较的是观测值和期望值之间的一个差距,我们这个时候表中的观测值和期望值大致相同,已观测和期望值,已观测和期望值大致相同,这个我们可以最这里看出,模型的拟合度也是可以接受的。 再看其他的输入表格,这是一个分类表格,分类我们选择呃是否拖欠贷款,是是 yes, 否是 no。 我们可以看到最终模型的这样一个分类的列联表,在我们给入了七百个数据中进行预测, 在未拖欠贷款当中有四百七十八,加上三十九点五百七十一粒,其中呢有四百七十八粒是分类正确,就是说原本就是 no 的,我们现在也给 他分裂到 no 当中,那我们正确率达到了百分之九十二点五,在一百八十三例拖欠贷款的用户当中呢,我们有九十二例分类正确,正确率百分之五十点三, 总的正确率呢是百分之八十一点四,正确的百分比可以看出啊,这个模型对于预测的效果还是比较好的, 我们可以通过这个最后一个方程中的变量这个表格来得到一个模型的表达式,可以写出这样的一个表达式,这样的一个是 employ, 这这四个是他的模型的 音变字变量,然后音变量是 logic p, 同样的是这样,这个是长竖向,这个是音字变量前面对应的系数, 这个是我们模型的一个表达式,这个是二分类的情况。那我们现在给大家介绍一下多项的劳力士回归。我知道我们所说的多项就是我们的 音变量是分类变量,但是含有三个或三个以上水平的一些分类。比如说我是一年级、二年级、三四年级都有四个年级的选项的学生, 或者说我们可以研究说视力分为轻、中、重三个水平,那我们考察影响视力的水平的因素的时候,这个时候我们的应变量可是三个分类,所以呢,我们考虑多项 logistic 回归。 我们举这样的一个例子,比如说我们给一个民意调查,关于人们的早餐喜好水平,那我 我们的早餐选择影响因素应变量是说一个是早餐的汤点,二个是燕麦类,三个是谷物类。自变量呢,暂定为婚姻啊,年龄这些等等。这些自变量早餐呢,有三个选择,所以我们选择多变量的一个劳杰斯蒂克, 这个时候呢,点入依然是分析回归,这个时候是选择多项劳介 style 点击呢?参考类别,参考类别选择最后一个类别,就是说我以最后一个类别为参考项, 其他的两个类别呢,与此对照,而不是说是与否的对照,而是说其他的类别与这个类别相比较,我发生的概率的一个对比的比较类别的顺序可以升可以降,我们这里选择升序,这个 影响不大,我们再看一个其他的。同时呢,我们点击一个回归模型,勾选主效应,打开多项就选择主效应,模型的主效应,再不考察他们之间的交互交互关系, 因为我们可以看到其实性别,年龄这些的交互关系,嗯,对这里的影响在根据我们以往的经验,可是对他的影响不大,但是如果要考虑交互效应,在其他的情况下也可以这么做,这里选择不考虑交互效应, 然后点击主面板中点击统计 statistic, 然后勾选一些这些选项,然后参数的估计值自然比检验,其他的可以根据默认值来选择。然后最后呢就是他的一个回归结果的输出以及解释。第一个呢是我的 模型礼盒信息,一个是自然笔,一个是卡方的自然笔检验可以看出通过了显著性检验,所以模型的礼盒效果较好。第二个呢是礼盒优度,一个是 pos, 一个是偏差的礼盒优度,我们可以看到是这样的一个, 不过我们离合优度的假设检验和模型离合信息的假设检验不一样,所以他们的 p 值一个很小,一个很大,但是都不影响,我们都是知道他是通过了离合的显著性检验。最后一个是 vr 发的值,最高是零点四一四, 说明模型啊对于原始变量的解释程度不是特别高,还有一部分信息并不能解释。最后还有输出来一个自然笔的检验,自然笔的检验情况啊,我们可以知道最终 进入模型的效应包括洁具啊,年龄,婚姻状况,声音态,生活态度这四个,并且呢我们通过最后一列的行政消失,后面三个都是显著性的, 通过了他的显著性检验。那最后一个呢?这个表呢就是参数的估算值,这个表格由于我们以最后一个为参考项,这里呢就输入前面两个和最后一个进行相比较的这样一个 模型的系数的一个估计值,这是他的系数估计值标准,误差,自由度以及系数的显著性。我们可以得出我们的模回归模型的一个表达式,可以看到显著性在年龄等于三,这个不通过显著性检验以及 婚姻状况等于零,婚姻状况,生活状况等于零,不通过显著性检验,系数的显著性检验。但是我们依然可以写出他的参数的一个 模型表达式,这个呢就是多项 logic 定回归的一个整体的介绍。那我们这个系列的课程呢,到今天也就到此结束了, 希望大家能够好好学习,能够达到呃之前课程开始之前所给大家设置的一个目标,那希望大家能够呃学的好,学的更好。

这一次的内容是这个二元多级的回归的这个分析步骤,还有一些分析注意事项。 那么二元诺角回归呢,他是针对于这一种啊 x 影响 y 的这种研究,而且我们的这个 y 啊,他一定是这种二分类的数据。什么叫二分类的数据呢?比如说啊,你研究一个啊,很多影响因素,是否影响啊,这一个 啊,是否购买这个理财产品啊,也或者是说啊,是否愿意这个购房的一些影响因素研究。 那么音变量 y 字呢,它是一个分类数据,而且是只有两个,像一个是 yes, no, 而且呢,他从数学的角度啊, 数字呢,它一定是一代表作 yes 啊,零代表 l 的这一种,嗯,数据才可以进行我们的这个二元多角回归啊,那也因因为我们的这个音变量 y, 它是这个类别数据,而且是二分类的数据,因此呢,它才叫做这个多角回归啊。 那么二元多久回归里边呢?他的这个 x, 他其实是可以是这个类别数据,也可以是这个啊,定量数据都可以的。那么啊,定量数据呢,他需要做一些简单的一个处理,就是雅边量的一个处理啊, 你只要是设计到回归的时候,这个 x 是类别数据啊,他一般都需要做这个虚拟变量或者叫做哑变量的一个处理。那么啊,接下来呢,我以这个 sps au 系统为例,来讲解一下二元 了解回归的这个分析的注意事项啊,以及呢如何进行这个模型的构建,以及呢如何去啊解读这样的一个分析结果啊,我们 打开 spcu 系统啊,比如说这个例子里边啊,在这个啊进阶方法里边啊,在我们的这个进阶方法里面,二元多就回归 那么一面呢,是 y 子,比如说是四种患癌症,对吧?啊?四种患癌症,一面量 y 为定内数据,而且 y 只能包括数字零和一啊, 我们放在这里边,然后 x 呢?有性别、年龄和是否吸烟这三项,对吧?啊?我们可以把它放在这里右边啊,如果说你要放的话,这就是简单的一个放,就是放好了,那么特别需要注意的是两个地方,第一个是一面呢,歪着他的数字只能 为零和一,什么意思啊?这个 s p s a u 系统里的数据处理啊,啊?有一道数据编码吧啊,或者是频数分析,我们来看一下啊, 是否患癌症,拖到这边开始分析,他的这里面呢?只有两项,一个叫非癌症,一个叫啊非非 肺癌,一个叫肺癌,对吧?他只有两项,那么两项呢?也有可能他是用数字一或者二去标识他的,或者你用数字二或者三去标识他的,那如果是这种情况呢,他也是不可以的,那么就需要看一下这个数据编码,我们看一下数据编码,其实呢,这个四种方法正在这里的数据啊,他只有零和一, 或者是我们检查这个原始数据是否是只有零和一啊?在我的这个数据里边啊,在我的数据里边可以查看一下,对吧?是否患肺癌,他只有数字零和一,那么这种数据才能做这个 音量啊,如果说你不是这个样子的时候,那怎么办啊?你需要做这个数据编码处理啊,你比如说你这个是啊一和二,那你要编码成零和一,那么编码成零和一的时候,你可以选择这个覆盖,他就直接帮你覆盖掉了啊 啊,以及呢,这个零和一代表什么意义呢?一般来说啊,一是代表 yes 啊,零是代表任务,或者是一代表愿意,零代表不愿意啊,是这样的一个啊,数据啊, 我们再来看一下啊,二元都叫回归,这是第一个音变量的一个处理啊,那我们这里是满足要求的啊,可以放进去啊, 那么除此之外呢,这个 x 的处理 x 里边有个年龄,年龄是一个年,那个定量数据,那么可以说年龄越大他越容易患这个肺癌,对吧?所以说呢,这个年龄是 是不需要进行处理的,反正是这种性别是否吸烟这种类别数据你放进去,如果说你研究影响关系,那不能说越性别越这个什么性别越怎么样越容易患肺癌,或者是越是否吸烟 越要犯肺癌这个意思,对吧?他没有这个说法,那原因你呢?就在于说我们这 x 是类别数据,他只能说是,哎个相对于不吸烟人群, 这个患肺癌的人啊,那个更容易患肺癌,或者是说相对于女性来讲他更容易患肺癌,只能这么去引分析,对吧?所以说呢,这种类别数据啊,他需要注意一个哑变量处理啊, 在我们的这个数据处理生成变量里边哑变量处理啊,性别在这个啊,叙利亚变量在这里选中啊,点确定 处理人工?你的性别不就男和女吗?他就会帮你生成两个表体,男和女,以及呢,像这个四孔吸烟也是一样的,你去处理他四孔吸烟有两下,一个叫吸烟,一个叫不吸烟,对吧? 那么我们在这个庄园多角回归的时候,那么你在这个年龄直接放进去就可以,以及的这个性别对于是否患肺癌的影响,那你肯定是相对于女性来讲,男性有没有 更容易患肺癌?相对于不吸烟人群来讲,吸烟人群有没有更换肺癌,对吧?你只能这么分析,所以说呢,你要啊,这个哑变量放的时候啊,你要放这一个啊,留下一项,一定要留下一下啊,然后呢去 其余的,像放在这里边,这是雅边亮的,他的一个原理就是这样子,如果说你不还是不太理解的,因为我们这一次内容不是单独 讲这个哑变量,那你可以搜索这个啊,在这里面搜索哑变量啊,找到这个帮助手册,他里面会有一个相对会更详细的一个例子啊,比如说这个专业他也是一个哑变量,对吧?那么他的原理是什么?给你做哑变量的原理是什么?为什么一定要少放一项进去,对吧?这是他的原理啊, 那么我们再回到这个 hps 游戏中,那那么我们可以开始直接就开始分析了啊,开始分析,开始分析第一个表格呢,他其实是帮你简单的一个统计一下这个有效数据的情况,怎么样啊?这种话费啊,数字,零的个数啊, 啊,一的个数啊,一其实是代表着是换肺癌的数量,对吧?啊?零是代表不换肺癌的一个数量,那么这是二元多角回归,那以及呢?像这个在做这个二元多角回归的时候, 他的这个第一个步骤呢,一般是先检验一下我们的这个啊,模型是否是合理的,那么怎么样检验呢?其实就是这个啊,四 m b 检验啊, 他看这个批值,如果说这一个我们的这个啊批值下于零点零五,那么说明拒绝原假设,那原假设是什么呢?说明原假设的意思是说你 放这些 x 进去,这些影响因素进去还是不放呢?他其实魔性质量都差不多,那么你现在是小于零点零五,拒绝原甲色,那说明的魔性更好啊,那就说明呢,这个魔性是有意义的啊,这是啊, 四 m b 检验啊,但是呢,分析建议和自动分析都有啊,除此之外呢,接下来重要的呢啊,就是我们的这二元多角回归的一个分析结果了啊,包括这 这个模型公式啊,这是模型公式啊,以及呢,针对这个影响关系的这个啊分析,那么影响关系,你比如说这个年龄 负的零点零零六,关键是他的这个批值零点六九六,他是大于零点零五的,对吧啊,说明呢,他不显著,那不显示,意味着说年龄对于是否荒废还是没有影响的。 那么性别男这一个呢,放进去屁股是小于零点零五了,说明有影响,什么样的影响呢?你不是女没有放进去吗?女是一个参考,像他没有放进去,对吧?那就说明呢,相对于女性来讲,男性呢,他怎么样更容易患肺癌 啊?因为你没有放的那一项是一个参考项,所以说要相对那另外一个群体来讲,那是否吸烟,这里也是一样的啊,相对于不吸烟群体来讲呢,吸烟群体他是更容易患肺癌的,因为皮脂血癌零点零五 啊,那么何谓是说是带带领的,那就说明呢,他是正向的影响,那正向营养就说更容易怎么样?那么吸烟相对于不吸烟人群,吸烟人群更容易怎么样啊? 这是二年多久回归的一个解释,当然还有一个叫偶尔者,偶尔子呢,这个是在有些领域他喜欢用这个,他是代表着什么意思啊?偶尔者啊,我们看这个智能分析啊, 偶尔只叫优势点啊,优势比啊啊,等于二点八五四,对吧?二点八五四,那代表什么意思呢?相对于女性来讲,男性 更容易患肺癌,对吧?那么更容易患肺癌的这个倍数是二点八五四倍,你可以这么去理解,他这就二。呃,偶尔指的意思,他叫优势别致啊,那看这个智能分析,直接就有。然后呢?还有一个叫做预测准确率啊,就是说 你相当于去预测了啊,这一个用这些影响因素去影响他是否犯肺癌,对吧?那么有的是预测转呢?有的是预测没有预测转达,那么预测准确率情况怎么样子呢?啊?总,第一个是总体的预测准确率,一个七十五点三三,其实这个有点低啊,一般只是希望是大于 百分之八十,有的会更高,但是看你的这个具体研究情况,如果说你关注于影响关系,其实这个准确率预测准确率就不太 ki2, 如果说你是关注于说就要看这个模型的预测准确情况,那么这个值就很重要,那么啊,这是预测准确率,其实五点三三啊。当当当,这个上面这个百分百大概是什么意思啊? 如果真实周为零啊,预测值也为零,是不是一百三十三个,总共就一百三十三个,是啊,不,不换这个肺癌的,那么你预测出来也 是一百三十三个不换肺癌的,那预测准确率就百分百。那么还有啊,另外还有那个叫什么啊?以及呢,还有这个真实的植物,以及就真实植为换肺癌的人群有三十七个,那么预测出来之后呢,你会发现他给你预测成了不换肺癌,随着预测的确定为百分之零 啊,这是啊,预测准确的,另外呢,还有这个叫 hl 检验吧,这个礼盒度检验,那么这个呢,其实也叫做这个对于模型的一个礼盒优度的一个检验啊,那么说明什么意思啊?他其实他的原甲式呢,也是这个模型的礼盒情况呢,和真实的这个情况是基本上吻合的, 它的原甲设施这样子,所以说呢,这个壁纸需要大于零点零五,特别说明一下,这个是需要大于零点零五的啊,那么这个是零点零八六,大于零点零五,就说明了这个啊,模型的预测情况啊, 和我们的真实情况呢,其实在同书里的角度他并没有非常明显的区别啊,说明我们的模型是 ok 的啊,当然有的时候他其实也不是特别关注这个 hl 检验啊,如果说你的研究数仅仅是看这个影响关系的话, 另外还有一个简化格式啊,这个就不用描述了啊,以及下面的这种模型图啊,这除此之外呢,还有一个叫做 r 防止啊, r 防止,上面这个表格里边应该也有 r 防止, r 防止的,这有三个啊,任意使用一个就可以了,一般是用这个麦克菲 a 的这一个二方纸啊,用的会比较多一点,他代表这个理和程度,其实他是一个尾儿方,就是说从处理的角度,他并不是百分百的就是表示这个理和程度的一个啊,理和有程度的一个意思,但是呢,他他又可以表示啊,啊,就是说, 所以说他家这三个都是偶尔而放啊,这是我们的这样二演多久回归?那么除此之外呢,还有一些注意事项,第一个是说 二零一九回归啊,有的时候这个影响因素有很多很多,对吧?有非常非常多的影响因素啊,放这个,那么你放很多之后呢?这个模型可能变得复杂一点,其实模型永远也就是越简单越好啊, 因为他就不用考虑各种的什么这个攻击性啊,什么问题啊?相互的这个啊,这边量 x 之间的这个相互的这个什么依赖关系之类的, 那么所以说模型越是越简单越好。那么如果说你的这个音量很多啊,这个自自恋量 x 啊,影响因素有很多,那么怎么办呢?你要先做一下筛选工作,那怎么样筛选呢?一个科学的筛选办法是怎么样?针对于这个影响因素,如果是类别数据,那么先做这个 卡方啊,比如说我们这个啊,类别数据有性别和送行员,先做这个卡方,然后回复分析,看他有没有这种基本的差异,有没有发现这里都有差异的,相信零点零五,那么这种情况再放进模型里面去 啊,如果说我们的这个影响因素,比如说这个年龄,他其实是一个量化的定量数据,那么我们先做一下啊,方差啊,是否患肺癌,还是四 s 啊?这个 x 啊,先做一下方差啊,这里是零点七九四,说明是没有差异的,说明年龄对于这个生活患肺癌啊,他其实没有什么 啊影响或者是差异的,那么这种基本的差异都没有达到,那么因此呢,你直接就从模型中把这些嗯,没有差异关系的影响因素把它移除出去,然后再做这个二元多角回归啊,你这样子呢,他是做一个筛选啊,把真正有意义的 这些,哎哎,我们的这个影响因素筛选进去八,模型尽量做的简单一点啊,当然这是一种非常规范的一种分析分析过程啊。 除此之外呢,有的时候啊,因为涉及到这个回回归,回归关系,有的时候呢,会考虑贡献性问题,二元多件回归也可以考虑啊,那其实二元多件回归呢,并没有单独提供贡献性诊断的指标,那怎么办啊?可以做一个线性回归 啊,有的时候这个信息回归音面,那样按弯就不影响的因素,弯是定量的,但是也没关系,因为你只是需要从分析的角度看一下这个数据啊。 x 直接放进去,然后看一下像这个 v i f 值有没有小于小于五啊,如果说有出现大于五,说明你的数据可能有贡献性问题,他只是用这种线性,用另外一个方法来打开来啊,心中有数啊,来看一下这个数据有没有这个 一些啊,贡献性问题,那么这是我们的这个落脚回归啊,二元落脚回归啊,也叫做落脚回归,或者让诺基斯铁回归啊啊, 如果说有更多的这些疑难杂货啊,这些或者是说不太理解的啊,那么可以看一下这个我们的帮手册啊,帮手册里边啊, 比如说这个只能出现零合一,什么意思啊?或者是出现什么异常啊,几十年有什么问题啊?呃,雅变量在这里面也有啊,以及呢,像这个 z 值的意义啊,有时候会有 问题, z 值呢,他其实就回归技术除以标准物,但是有的地方呢,他会有的软件会提示这个五五二的卡方值,其实五五二的卡方值和日的意义是一样的,他五二的卡方值就等于 z 值的平方啊,那我们其实并不需要关注于这个啊。

二元 logistic 回归分析指标解读模型自然比检验用于对整体模型有效性进行分析, p 值小于零点零五则说明模型有效,反之则说明模型无效。你和度检验用于判断模型你和优度, 如果批值大于零点零五,则说明通过你和优度检验,反之则说明模型你和优度差。二元 logic 回归分析结果会总推荐,结合智能分析与分析建议进行理解学习,你学会了吗?

both la logistic 回归分析分析结果怎么看? both la logistic 回归模型自然比检验分析表格看什么?首先对 p 值进行分析,如果该值小于零点零五,则说明模型有效,反之则说明模型无效。 a 和 b i c 值用于多次分析时的对比,此两值越低越好。如果多次进行分析, 可对彼此两个值的变化情况综合说明模型构建的优化过程。 boss lay logistic 回归分析结果汇总表格也需要关注批值,如果 x 对应的批值小于零点零五,则说明 x 会对外相对于的对比相产生影响关系,此时可结合 o 二值进一步分析影响幅度。你学会了吗?如有其他疑问,请在评论区告诉我。

sbss 操作步骤讲解系列第二十七课有序 logistic 回归分析 有序 lettistic 回归分析是多元 artistic 回归分析中特殊的一种,因为应变量为有序的分类数据, 在有序 autistic 回归分析中,平行线检验尤为重要,需要平行线检验通过才能采用有序 logistic 回归分析,但显著性梯值大于零点零五十,说明通过平行线检验。若不通过平行线检验,采用多元 artistic 回归分析进行检验。 接下来具体的操作步骤讲解常规操作步骤,第一步,点击分析回归有序第二步,进入图中对话框后, 将变量放入对应的变量框中,点击输出勾选单元格信息。平行线检验,点击继续确定。 若平行线检验不通过,可能因为链接函数不对,可通过调整链接函数看结果情况。点击选项,在连接框里更换链接函数,点击继续。 然后有序 logistic 回归分析的个案摘要,模型你和信息你和优度 wei 二方重要的参数估算值,重要的平行线检验结果就出来了。 常规操作中结果没有包含 or 值的结果,因此有序 lettistic 回归分的 or 计算。操作步骤,第一步,点击分析广易线性模 形 c 广义线性模型 g 第二步,进入图中对话框后,点击模型类型,勾选有序。响应中的有序 logistic, 点击响应, 将音变量放入音变量框中,点击预测变量,将字变量放入图中因子框中,点击模型,将因子和斜变量放入右侧模型框中,点击估算。在方法里勾选费西尔,点击统计勾选包括指数参数估算值,点击确定, 然后有序 logistic 回归的个案处理摘要,分类变量信息、拟核优度、 omnibus 检验模型效应、参数估算值及有二值结果就出来了。将参数估算值的结果年 贴到表格中进行整理,去除致信区间的上下限内容。可以将平行线检验结果拟合优度模型摘要为阿尔方结果整理,放在表格后面后,将整理好的结果粘贴到 word 文档中进行表格制作和文字描述。 学会了记得点赞关注哟,可带座指导学习交流!

电量他是我们音变量的影响因素,对他的这个研究目的来说,就是他找的这些一般资料找的还是比较准确的啊, 一类的经历损伤,他下面还有二类经历损伤啊,他他是分开分析的,那么分影响高龄产妇一一类盆底肌经历损伤的这个影响因素,他具体是怎么样的呢?然后我们就看 第一看批节,我刚才给大家说了,第二就需要看他这个回归系数,他这个回归系数是以零点零五啊为水准,高于零点零五呢,大于零点零五你看到没有? 那么说明他就是正影响,你看这个孕期体重增加程度,他是个负的零点六六零,那么他就是负面的影响。这个怎么解释?就是说看这个回归,如果 说大于零点零五,那就说明这个第二产程每增加 一个单位发是激励损伤的这个概率就增加了二点三八八倍。也就是说你的这个第二产程时间长一个单位相对于短一个单位来说呢, 你发生精力损伤的这个概率就有二点三八八倍。孕期体重增加少一个单位是多一个单位,这个高龄产妇发生 精力损伤的一点九三四倍啊,这个是否勤盆底功能锻炼 少单位是多一个单位。高龄产真经历损伤的零点四二六倍啊,怎么讲呢?也就是说那你这个孕期呢,合理的控制你的体重增加,而且适量的进行这个盆底功能锻炼 好,嗯,我们可以看他的这个结论 哈,他的这个结论说的就是,是吧。本研究结果提示,高龄高龄妇女孕期应该保持合理的体重增加 啊,适当做一些体力劳动以及盆底功能训练啊,以减少 对早期产后盆底肌造成的损伤。好,这个就是我们今天分析的这篇文章 啊,从这边文章来讲这个二元诺基斯基的回归分析,接下来呢,我们以我们今天的这个一组数据实操 来示范一下这个回归分析的具体方法以及结果解读。 手术室患者啊,他通过手术之后呢啊,发生的这个感染以及没有发生感染的一组数据,这个数据里面包括包含了这个患者的年龄啊,性别啊,嗯,这个身高,体重,体质指数,术中的体温呢 啊,术前血压等等等等。那么我们今天以这样一组数据为例,给大家演示一下,看这个手术室患者手术之后发生 你的影响因素是什么?好,我们把这个数据复制到统计软件里面来, 是否感染啊,在这里这个是否感染就是我们的应变量,那么我们的这个年龄、性别、身高、体重,体质指数,书中体温等等一般资料就是我们的这个 啊自编量。那么其实我先给大家说了的哈,我们可以看一下那个文章,我们 我们需要,我们实际上需要先在这个把这些因素哈先做单因素分析,找出来他们存啊,是否发生感染的患者,是否在这个一般资料比较上面是否存在显出差异,存在显出差异的一般资料我们才把它纳入模型,但是 我这里为了节约时间哈,就是我没有做单因素分析,我直接就把这个啊,所有的 这个自变量啊纳入到我们的这个模型当中啊,重点就是给大家演示一下二元诺基斯基的回归分析以及结果解读啊。那么就是我们我们这里 也很简单啊,数据整理好了之后录入进来,你记得一定不要有错误,整理数据的时候一定要认真,然后录入到统计软件里面了之后呢点击这个分析,分析里面,因为我们是那个二元诺基斯提格回归分析,他也是 回归选项卡里面的啊,我们点回归,然后会有这个二元洛基斯提格,我们点击一下。

二元 logit 回归分析结果解读二元 logit 回归模型四、然比检验结果用于对模型有效性进行分析,如果屁值小于零点零五,说明模型有效。 二元 logic 回归分析结果一、对模型整体情况进行说明。二、逐一分析 x 对 y 影响。三、总结可以结合智能分析进行说明。 passmer lamb show 拟核度检验用于判断模型拟核优度。 p 值大于零点零五,说明通过检验你学会了吗?

大家好,我是二幺幺统计课堂讲师李博士,我跟大家分享的课程是 spss 数据分析提高篇与论文写作指导。第九部分,非线性回归分析第一小节,二元 logistic 回归分析 好,我们先来了解一下二元 logistic 回归分析。二元 logistic 回归呢,是指因变量,是二分类变量的回归分析,就是我们通常呃 做回归分析的时候,音变量呢,是一个二分类变量,比如说是或者否,然后发生或者未发生这样的二分类数据。呃做的影响因素分析呢,是二元 logistic 回归。二元 logistic 回归模型呢,它 右侧呢是我们的线性组合的形式,然后左侧呢是 logit p, 然后这个 p 呢是呃发生的概率,就是说呃 等于一的情况,就是这个二分类变量等于一的时候,就是老者的 p 呢,等于老矮 p 比上一减 p, 这样经过变化呢, p 呢就等于一的这个 x 的线性组合的形式比上一加一的这些次方 好。第三个呢,二元 logic 回归模型的估计呢,它是采用极大自然估计法。呃,多元线性回归分析呢,它是采用的是最小二乘法,这里呢还是有区别的好,我们来看一下关于二元 logic 这个回归分析在 s pss 里面的操作。首先呢,我们通过分析回归二元 logistic 回归呢,进入到主对话框里面去, 呃,左侧呢仍然是放置我们变量的,然后右侧呢需要我们输入音变量,然后下面斜变量呢,也就是说我们这里的影响因素了,就是字变量,然后方法呢有输入,还有一些向前法以及向后法, 然后还有在右侧呢,我们当选入变量之后呢有个分类,然后需要定义一下分类变量还有几个呃保存需要我们呃保存的内容。 好,我们看后面的定义分类变量呢,你看我们这需要把分类变量呢选入进来,通常情况下呢,我们需要 定义第一个变量为参考,就是选中第一个变量之后呢,再点击这个变化量,然后就以第一个变量为参考,然后选项呢,我们通常是让他输出霍思墨这个礼盒优度,然后再一个呢就是 e x b 的 e x p 的执行区间,然后最后呢我们不需要显示的是每一个步骤,然后选中在最后一个步骤。好,我们通过一个具体数据来分析一个呃肿瘤的一呃的一个影响因素, 你看我们的影响因素呢,主要包括年龄, pmi, 高血压,糖尿病家族史这些,我们就呃看一下哪些因素呢对肿瘤的发生是有影响的。 好,我们通过数据来看一下, 我们呃先来做一下二元 logic 铁回归分析,回归 二元 logistic 因变量肿瘤,然后自变量呢就选入这些变量, 然后分类分类呢,我们这里呢是高血压,糖尿病家族史,是分类变量选入进来,选第一个 作为参考类别,然后点击变化量,后面呢就加上一个 first 的这样一个支付,就说明呢他是按照第一个数值为参考类别。好,继续选项里面呢, 我们选择霍思墨检验还有 e x p 的执行区间,在最后一个步骤继续 好。关于输入方法呢,他是有这么多输入输入法呢,就是全部展示输入的变量,向前向后。法呢,他就是指展展示有差异的变量,这里呢是没有明确的标准,只要能合理解释结果就行。 好,我们先选输入法吧,确定好这是他的一个输出结果,我们来看一下。呃,第一个呢就是个案的一个摘要了,这个这展示的是样板的个案数, 然后第第二个小部分呢,就是因电量的编码,这里呢我们的肿瘤的良性是零,个性的就是一,然后还需要看一点的 是分分类变量的一个编码家族史呢,我们是,呃,无,有,然后无呢是编码呢是零,然后有呢,编码是一,就是参数的编码呢,跟我们前面复标签的编码是一致的,这样呢就保证我们的统一性。 糖尿病呢还是编码呢?是,呃,你看有的是一,然后高血压呢,有也是一,跟我们前面编码是一致的。然后即使块零呢,这是我们不用管的,他是初始的一个计算情况,我们直接管啊,块一 好,这个首先来看模型系数, o omnibus 检验,这个呢反映的是模型的一个整体的一个情况。他这我们看模型呢卡方值呢是六十八点四一, 然后显著性呢是零点零零零,就说明呢他这个模型的整体,呃是显著的。 第二个呢,模型摘要,他主要是给出了这两个尾二方,这两个尾二方值呢,跟多元现金回归里面的二方是基本一一致的,就是范围呢就是零到一,越接近于一呢,就是你和效果越好。这霍思默检验呢这是, 呃,它这显著性检验呢, p 大于零点零五呢,就是说明这个模型拟合效果是良好的。 好,我们再来看这个分类表,分类表呢是给出的一个是模型的准确度,他呢这里呢准确度,这是百分之七十四点一,然后这第一行对应的对应的 这个百分比呢,是模型的一个特异性。第二行呢是六十三点三呢,是对应的模型的是,呃,灵敏度。好,我们再来看最后一个表格,他呢是方程中的变量 啊,第一列呢,它是模型的偏回归技术,然后第二列是标准物,然后第三列是瓦尔德卡方值,然后 显著性呢,就是我们这里的 p 值了。然后 e x p b 呢,就是我们通常说的 o 二,就是优势比,然后下面下线和上线呢,就是它的一个执行区间。 首先呢我们来看显著性小于零点零五呢,说明这个,呃,这个变量呢,对我们的音变量是有显著影响的。好,我们看到年龄呢,呃是 对这个肿瘤发生是有显著影响的。再看他的偶尔值是一点一六九倍,也就是说年龄每增加一个单位呢,肿瘤发生的概率增加了一点一六九倍。好,我们再来看 bmi, p 值呢大于零点零五,说明 bmi 呢 对肿瘤发生呢是没有显出影响的。高血压,高血压批值呢是小于零点零五,说明高血压呢是呃肿瘤发生的呢,呃 独立影响因素。我们再来看这 o r 值,它是二十九点零三二,也就是说呃,高血压患者发生 肿瘤的概率呢,是不患高血压的,发生肿瘤的概率呢是二 十九点零三二倍,也就说高血压患者的肿瘤发生概率要非常高。然后第三个呢,糖尿病呢,也是类似结果解毒,就说患有糖尿病的呃患者呢,发生 恶性肿瘤的概率呢,是不患有呃糖尿病的十一点八六七倍。 然后这家族指南是一样的解读,这样呢,我们就可以把这个结果解读出来了。通过这个表格呢,我们就可以得出独立影响因素呢,就是年龄、高血压、 糖尿病家族史。再看正负呢,因为它都是 o r 值呢,都大于一,也就说这些因素呢,都是它的一个独立危险因素。好,这是关于它 它的一个结果解读。我们再来看一篇呃例范文吧,就是关于这个二元 logistic 的回归分析。呃它呢,首先我们来看它这个 呃统计学方法,首先呢,他是进行了一个呃单因素分析,你看技术资料呢,采用卡方检验,计量资料呢,采用 t 检验, 然后有差异的变量呢,进行 largest 回购分析,得到了这样一个表,这表呢,它是采用逐步法,就是我们前面的模型里面采用呃 向前里面的其中一种方法。得出来呢,只有影呃显著性小于零点零五的一些变量,这里呢只得出两个变量来, 所以呢,他就得到了两个独立的呃影响因素,是这两个, 这呢,他这这这篇文章呢,给出了一个呃基本处理方法,就是当我们变量非常多的时候呢, 先进行单因素分析,然后选出有统计学意义的变量呢,再进行 logistic 回归分析。好,这是关于 logistic 回归分析的写作方面的一个基本思路。 关于二元 logic 的回购分析呢,就介绍到这里,感谢大家的聆听,谢谢。

那首先呢我们来看逻辑回归, 那刚才呢,其实吴老师已经给大家介绍了性性回归的内容,那性性回归呢?他其实是属于回归分析的一种,那回归分析他的一个研究目标其实就是想要去挖掘我们的 x 跟 y 之间的关系, 那 y 就是我们最感兴趣的那个研究变量,我们称之为音变量,那这个 x 就是那些我们认为有可能会对音变量产生影响的因素,我们称为是自变量。 那在信息回归里面呢啊,我们会有一个假设,也就是要求我们的这个音电量外,它是一个连续型的电量,就比方说大家的学习成绩,然后这个你对于某一种商品的购买金额,还 还有比方说像北京的房价,像这些其实都是连续性变量。那么如果你的外,你的这个感兴趣的变量,他是一个连续性变量的话,那么大家就可以非常方便的使用这种性性回归的方法去做。 但是在实际中呢,在大家在做这个市场调研的时候,有的时候我们感兴趣的这个音变量呢,他不是一个连续型的变量,他可能是一个分类型的变量。那这个时候呢,我们就需要用到另外一种回归模型的思路去做,也就是我们下面要介绍的逻辑回归。 那首先呢给大家展示几个例子啊,这种分类型的音变量其实是我们经常会碰到的啊,比方说在这个研究客户关系管理的时候,那可能我们关注的是这个客户,他在我们的这个公司里面,他流失还是不流失? 因为客户就是我们最重要的资产吗?所以客户的流失与否,这个就是我们关心的一个音变量,那他是一个分类型的音变量。 再比方说在这个互联网金融或者是对于银行来说,那我们借了这个信用卡的钱,那么他们关注的就是我们借钱之后是否能够按期还款,也就是我们是否会逾期,那这个时候关注的音变量就是是否逾期,他也是一个分类型的音变量。 在比方说在研究消费者行为的时候,我们想要去了解消费者的购买决策,那我们想看看他对于某一个商品他买了还是没有买, 他对于我们推荐给他的某一个广告,他点击了还是没有点击,他是否去观看了,那这个时候我们的外也就是一个是否型的这样的一个音变量,所以他也是一个分类型的音变量。所以大家 大家看在我刚才给大家讲的这三个例子中,他其实都是一个是否型的这样的一个二分类的这样的一个音变量。 那其实除了这种二分类的音电量之外,我们还有可能会碰到多分类的音电量。比方说大家经常会去做满意度调查,在满意度调查里面,我们对于一个商品或者是对于一项服务,你是很满意还是一般满意还是不满意,还是非常不满意, 对吧?他也是有一个层级变化的,那这个时候你碰到的就是一个多分类的音变量。那当处理这种多分类的音变量的时候,如果我们还是希望借用回归模型的思想,也就是我还是想看看我的 这个,我的这些自变量是否会对我的这个应变量产生影响的话,那么我们就需要用到逻辑回归的这样的一个思想 啊。那逻辑回归是什么?我们来给他一个定义哈。逻辑回归呢?又称为老,这是一个回归分析,他是一种广义的线性回归分析模型。 那通过逻辑回归呢?我们可以像我们之前学到的这个线性回归一样,我们得到自变量的权重,从而呢帮助我们去了解哪些自变量是因变量的影响因素。那与此同时呢,我们也可以去预测在确定的条件下,因变量所处状态的可能性。 那刚才就像我们说的逻辑回归的音变量对不对?他可以是一个二分类的,比如说我们的是否,比如说我们的有污,他也可以是一个 多分类的啊?其实都是可以的。那实际中我们用的更常用的可能还是二分类的这样的一个情形啊,那对于音电量是有限制的,它是需要 是一个二分类的,但是它的自变量其实是没有限制的啊,我们的自变量 x, 它可以是一个连续型的变量,也可以是分类型的变量。 逻辑回归的应用其实是非常广泛的,因为就像我们刚才提到的,我们在现实生活中可能会碰到非常多的情形啊,这种在这种情形下,我们的感兴趣的,我们的目标变量,它是一个分类型,那这种时候我们都可以用逻辑回归来进行处理。 好,那刚才呢,我们一直在提,就是说当我的音变量不再是一个连续性变量的时候,我就需要用逻辑回归处理,那么为什么就不能用线性回归了呢?哎,我们来一起看一看。 那我们现在回顾一下刚刚吴老师给大家讲的线性回归模型啊,我们有一个 y, 我们的 y 等于贝塔零加,贝塔一乘以 x, 一加加这个贝塔 p 乘以 xp, 再加 加上 apc 龙。啊,那在这样的一个线性回归模型中,我们看到我们其实是用一个等号,对吧?把我们的音变量和我们的自变量给他联系起来了, 那这个时候我们说谢谢回归要求我们的音变量是一个,是一个连续性的变量,为什么呢?是因为我们在最后我们有一个 ipsil, 这是我们的随机误差项,这个随机误差项大家可以理解成他就是对于那些啊不确定性的因素的一个概括 啊。那我们一般会假设这个 apc 龙它是一个正态分布,那正态分布它就是一个连续性的一个变量嘛?所以 如果是说我们的这个 y 他现在不再是一个连续型,他不再是一个具体的数值了,而是变成零或者一,是或者否?那这个时候大家想我们的这个等号其实是很难超 成立的,因为我们的左边就是零或者一,但是你的右边他其实可能在整个实数遇上都有取值,那这个时候你的等号就是不能成立的,那怎么办呢?对吧?怎么才能去解决这个问题呢? 那一个非常自然的想法是说啊,我既然现在我的外是零一,他不可能跟一个实数遇上的一个曲值相等,那我能不能对这个零一做一个变换,哎?让变换之后的这个值变成是一个连续型的一个一个指标呢?哎,那逻辑回归其实就是这种思想。 首先他的第一步变换呢,就是我把 y 等于零或者是一把这样的一个离散型或者是一个分类型,我们要把它变成一个连续型的指标,那怎么去变成连续型的呢?我们这里考虑到用一个 发生概率,也就是大家可以想象啊,比如说一个消费者,他对于一个商品他购买或者是不购买,他可能潜在在他的心目中有一个这个购买的这样的一个可能性, 那如果他这个可能性越大的话,他表现出来的行为可能就是他买了,如果这个可能性越小的话,说明他可能就没有买。 所以我们可以用 y 等于一的一个发声概率,其实就是衡量 y 等于一的一个可能性,哎,来去呃来去替代原来观测到的这个 y 等于零或者是一, 那一旦我们把它变成一个发生概率,它的好处就在于我把一个只能取零或者是一的一个变量变成了一个可以在零一范围内取值的一个连续型的变量。那下一步呢?我们就想看看, 哎呀,我们的这个发生的可能性,他是不是可以被我们所找到的那些自变量 x 来解释。所以一个很自然的模型是说,哎,我去考虑我的 x 和贝塔,哎,他们之间是不是可以等于我的这个可能性 p, 我的发生概率 p, 那我会发现其实这个屁,你虽然变成了一个连续型,但是他还是在零一之间取值的,他的取值范围是受限的,那进一步的我们就思考能不能把这个屁再做一些变换,让他可以在整个实数遇上取值。 那怎么做变换呢?首先我们做了一部单调变换,也就是我们把原来这个 p 变成了 p 除以一个一减 p, 这是什么意思呢?我们说 p 表示我购买一个产品的可能性一,一减 p 表示我 不会购买他的可能性,对吧?所以购买的可能性除以不会购买的可能性,哎,他其实衡量的还是说我有多大的可能啊?会去买这个商品,那我们把 p 除以一减 p 呢?称之为是 ozrishi 啊,那这个 rishi 他就会在零到正无穷之间取值了, 但是他还是不能取复制,对吧?所以我们就大家看,我们又又做了一个变化,我们就对他取了一个对数,就变成了一个 log p 除以一减 p, 哎,这样变换之后,我们在每一步都是做的单调变换,所以最后的 log p 除以一减 p, 它还是取值越大,代表我本身的这个屁就越高。那取完对数之后的这样的一个 log, 它就是可以在整个实数上取值了,那我们就可以非常方便的。哎,让这个取完 对数之后的这个部分等于我的 x 贝塔,那最后形成的这个就是我们实际上的逻辑回归模型。 那大家看这里,其实我们对 p 做了一个变换,这个变换是 log p 除以一减 p, 我们把这样的一个形式称之为是捞这次变换。所以为什么叫逻辑回归?就是因为我们这里其实对他做了一个逻辑变换,做了一个捞这次变换, 那在刚才这样的一个逻辑回归模型里面,需要大家注意几个要点。第一个要点就是在逻辑回归里面,其实我们对谁进行了建模呢?我们是对 y 等于一的概率,也是对这个屁做的一个建模 啊,我们其实是对他这个这个概率做了一个芥末,那这个 p 其实他就等于 y 的一个平均值,或者是说 y 的一个期望。那另外呢, 我们为了让这个 y 等于一的概率可以在整个时数遇上取值,我们就做了这样的一个捞这次变换,那变换之后的这个结果,它就可以在整个时数遇上取值了,那取值之后的这个 z, 它等于我们的 x 贝塔,这就是我们的逻辑回归模型, 那进一步的大家也可以发现,其实关于 z 等于 log p 除以一减 p, 我可以进一步的把这个 p 给反解出来,对吧?那如果我们做一些简单的推导的话,你就会发现这个 p 它是等于什么呢?就等于 exponential z 除以 e 加上 exponential z, 就是等于下面这个东西。 所以有的时候呢,这个你们看到的逻辑回归的形式,他是这个样子的,他其实就是把我们的这个捞这个变换做了一个反解。那么在逻辑回归模型里面,我们 需要关注的是什么呢?需要关注的是我的,我的这个贝塔是多少,对吧?因为我们需要对贝塔做一个估计啊,那标准的统计学呢?会告诉我们啊,我们有很多的方法可以对贝塔做估计,比方说最常采用的是这种极大自然估计的方法,就可以对贝塔进行估计了 啊,那吉他自然的思想就是说啊,我希望我看到的这组数据啊,能够啊,最啊能够最大啊,不对,应该是说我希望我们得到的这个贝塔的估计值,能够使得我们现在拿到的这组数据的出现概率是最大的, 也就是说我既然看到了这组数据,我收集到了这组数据,就说明产生这组数据的这个概率应该是比较高的,这样的话我才能看到他,对吧?所以呢, 那贝塔呢,就是能够让我看到的这组数据概率最大的时的时候,他所对应的参数值,哎,这个就是极大自然的思想啊,他的具体的求解非常的复杂,但是呢,我们在实际中呢,大家可以接触很多的啊软件,方便的对这个逻辑回归进行分析。 然后说下面呢,我们给大家举一个具体的实力啊,在这个例子里面呢,我们是想要去预测啊,在这个手机广告中,广告的趣味性、信息性、信任度和说服力对推荐意愿的这样的一个影响,那这里的推荐意愿 我们收集到的就是他推荐或者是他不推荐,所以这是一个零一型的一个分类型的一面量,那我们对他进行分析的时候,就可以用到逻辑回归的方法,那在我们的这样的 呃,在我们建树的这样的一个平台上面呢,哎,大家就可以通过我们的这个平台来去进行数据的收集,那收集来数据之后呢,我们就可以直接利用我们建树的平台进行这个呃进行逻辑回归的建模 啊,比方说大家在这个回,在这个具体的分析方法这个地方,大家就选中逻辑回归,然后呢在逻辑回归中,我们需要去指明他的音变量是什么?他的字变量是什么,对吧?然后我们就在音变量的这个框框里面,大家选中这个推荐意愿, 然后在自变量的框框里面,我们就可以选中啊,我们在问卷中收集到的几个不同的这样的一个啊自变量 x, 比如说我们这里选了趣味性、信息性、信任度和说服力,这样的话我们就把我们的 x 跟 y 定义好了,然后我们就可以让这个呃系统自动的把我们生成 呃逻辑回归的这个结果了。好,那我们来一起关注一下,当有了这个结果之后,我们怎么对这个结果进行解读? 好啊,我们首先关注的是模型的一个你和情况啊,那怎么去衡量模型的你和情况呢?那刚才我们提到我们在估计的时候用了一个 极大自然的思想啊,也就是说我们希望我们生成的这组参数贝塔,它可以让我看到的我现在收集到的这组数据它出现的概率是最大的, 所以呢我们就需要去衡量,哎,在不同的参数下面,我这组数据它出现的概率到底是什么,对吧?那我们把这个概率呢称之为是一个自然函数啊,那所以我们就可以用这个自然函数来衡量它的你和情况,那这里 你呢?我们看到我们在模型结果中你会看到两个指标,一个是呃底底外人就是这个偏差,还有一个这个还有一个无效偏差。那无效偏差是啥意思呢?就是说我认为我所有的贝塔都等于零, 那所有的贝塔都等于零,就相当于我的所有的 x 对我的 y 都没有影响,对吧?也就是我认为所有的 x 对 y 都没有影响的时候,哎,我看看我的这个,我的这个自然,我的这个出现的这个样本出现的概率有多大, 然后呢,我再看看我的这个,在我当前的贝塔的这个估计下,我的这组四人,我的这组出现的概率有多大,那肯定他们之间的偏差,他们之间的差异越大的话,就说明我们的模型呢你和效果是越好的。所以大家看 这里,其实我们就给出了,当我们给定这组贝塔的时候,哎,我的这个自然的一个变换,就是我的这个偏差是多大?然后呢,在我所有的贝塔都等于零的时候,我的偏差是多大?哎,然后如果他们差异很大的话,就说我们的模型的你说效果比较好, 那大家在实际中还会碰到的情形是什么呢?啊?是说有可能我会做好几个逻辑回归模型, 比方说当你不知道有哪些变量,有哪些自变量可能会对他产生影响的时候,你可能会同时做很多逻辑回归模型,那这个时候就涉及到在这么多的逻辑回归里面,你怎么选择一个最好的结果? 那我们就可以关注两个指标,一个是 a ic, 一个是 b ic, 那在我们给大家的这样的一个呈现的结果中,我们同样给出了 a ic 和 bic 的值啊, a ic 和 b ic 的值是越低的话,说明数据对模型的这个你和效果是越好的,那大家就可以选择一个 a ic 或者是 bic 比较低的结果就可以了,一般来说这两个指标的结果都是比较一致的。 好,那进一步的我们还需要关注的是什么?最需要去关注的就是我的系数,对不对啊?我们有不同的这个自变量输进去,那我们肯定需要考察的是每个自变量到底对我的音变量对我的推荐意愿有没有影响。 那我们关注的就是系数,这里的系数就是我们刚才提到的那个贝塔的估计值,每一个 x 都会对应一个贝塔的估计值,它的系数就在这里。那除了有一个系数的估计值,大家还需要特别注意的就是它的 p 值啊,什么叫做 p 一直呢啊?那大家想啊,比方说大家在收集问卷的时候,你不可能把所有的人的数据都收集起来,比方说我们就给定我们的这个,呃,问卷收集的量是两百个人。 好,那我们说我们拿到了两百个人之后,我们基于这两百个人的数据,我们一定可以得到一个贝塔的估计值,可以得到我们的系数。 但是大家想想,如果我重新收集一组数据的话,我的数据就会不一样了,那我得到的这个系数的估计值也有可能会不一样,对不对?所以我们就希望当我们变换了我们的数据的时候,我们的这个系数它仍然是比较稳定的。 或者是说他现在所产生的这个值是因为他确实是对音电量有影响,而不是我们所 因为抽样带来的偏差所造所所造成的。那怎么去衡量这个?其实就是用 p 值来去衡量的,那 p 值呢?它其实衡量的就是说当我的某一个贝塔真实为零, 但是呢,你错误的认为他不是零,哎,你就犯了一个错误,那你犯这种错误的可能性有多大呢?哎,这就是我们的气质, 所以大家想 p 值实际上就是我犯错的可能性,对吧?那我当然是希望我犯错的可能性越小越好了,那小到多少是比较好的呢?我们就需要给他一个标准, 比方说一般大家采用的标准就是零点零五,那我认为我只要犯错的概率小于零点零五了,那基本上来说我就不会犯错了。所以一般来说我们都是用零点零五去衡量的。 比方说大家发现趣味性他的 p 值是小于零点零五的,这说明这个趣味性的这个系数,他是一个零点六五四八是一个正系数,他确实是会对我的推荐影响,推荐意愿产生一个正向的影响。 那比方说第二个这个信息信,我们发现他的屁值是零点二一四五,他的屁值比零点零五大, 这说明如果我认为这个零点三一七五他是真正一个大于零的值的话,他可能我们犯错的概率就比较高。所以一般来说,我们在零点零五的这样的一个显著性的水平下,我们就认为他可能啊没有足够的信息让我们觉得他是一个非零的取值。 那按照这样的标准呢?我们会看到其实我们能够发现的显著的变量有谁呢?有我们的趣味性,对吧?还有我们的 说服力,并且我们发现趣味性和说服力他都是一个正正的系数,也就是他会对我的推荐意愿产生一个正向的影响, 那我们发现信息性他也是一个正系数,他会产生一个正向的影像,但是他的屁直不够小,就是我们存在犯错的可能性。 信任度呢,他是一个负的系数,说明他的他的这个影响是一个负向的影响,但是呢他的屁值也不足够小,也说明我们可能会犯一个比较大的错误,所以大家在信在这个系数解读的时候呢,哎,就需要留意这个屁值是多大, 那给了我们的参数的估计结果,那在我们的这个建树的这个平台上面,哎,大家同样可以,他会自动的帮大家生成关于指标的解读啊,我们可以一起来看看 啊,他会做一个整体的解读,然后会告诉大家在我们现在的这个逻辑回归中,大家把哪个边量作为音变量,然后把哪些边量作为了我们的字边量进行逻辑回归,然后他会对我们模型的整体的一个啊,这样的一个你和的效果做一个解读,比如说他现在的偏差是多大 啊?然后呢,这个呃呃,这个呃表表明我们的这个模型和所有的这个贝塔为零的时候,他的差值是什么样的, 然后他也会对我们的每一个系数啊,我们的这个系数的根据我们系数为正还是为负,然后给出大家一个这个可以参考的这样的一个解读的结果, 这是我们的逻辑回归的部分。

讲完了线性回归模型,我们来讲 logistic 回归模型。 logistic 回归模型在生活中十分常见,比如学习五小时,能通过考试吗?今天踢足球比赛输还是赢?这个包不错, 价格有超过一千吗?都可以用 logistic 回归来解决。本质上这些都是分类模型, logistic 回归做的就是分类问题, 同时以二分类最为常用。 logistic 回归模型的数学表达公式如右,看上去和线性回归模型基本一致, 唯一的不同是多了一个 sigmal eight 函数。可以看到 sigmal eight 函数的范围是在零到一之间,如下左,所以任何一个值经过了 sigmal eight 函数的作用,都会变成零到一之间的一个值,这个值可以形象 的理解为一个概率。比如对于二分类问题,这个值越小就表示属于第一类,这个值越大就表示属于第二类。定义好 logistic 回归模型后,我们需要定义一个 los 函数。前面的线性模型的 los 函数非常简单, 就是预测值与真实值相减的平方的。和 allegistic 模型的 los 函数没办法直接像线性模型的 los 函数一样直接去定义,它们的误差 需要用如上右的公式来定义。经过论证,这么构建 los 函数是合理的。

一分钟了解必学的医学分析方法 logistic 回归说起医学分析方法,大家耳熟能详的肯定有卡方检验、方差分析等等, 今天小美要讲的 logistic 回归也是必学的医学分析方法之一,常用于流行病学、病因学以及临床诊断的判别模型和预测模型,是一种非常重要的分析方法。 那么 logistic 回归是什么呢? logistic 回归是一种概率模型,这种模型以疾病、死亡等结果发生的概率作为因变量 而影响疾病发生的因素,则作为自变量。对于通常情况下的二分类 logistic 回归来说,其因变量仅适用于二 二分类变量,比如以是否发生死亡作为结局的分析。至于自变量的类型以及资料的正态性和方差其性, logistic 回归则不作要求。不过有一点大家要注意,回归模型是建立在样本基础上的, 一般来说,样本量的个数最好要达到自变量个数的十到十五倍哦。怎么样,是不是非常简单呢?你学会了吗? 关注我,还有更多科研干货等你来学!

六十秒教你学会 spss 多元 logistic 回归可代做指导第一步,我们先将我们需分析的数据导入 spss 软件中并进行复制后点击分析回归多元 logistic 回归。 进入图中对话框后,将我们需分析的变量放入对应的变量框中,点击确定 我们需要的多元 logistic 回归结果就出来了。第二步,将我们的结果粘贴复制到 excel 表格中并进行整理,可参照图中结果进行整理。 第三步,将我们整理好的结果粘贴复制到沃尔顿党中并进行文字解释看三线表的制作可参照图中进行文字解释看制作。

大家好,本次案例分析的主题是逻辑回归分析在医药中的应用。 本次分析主要分为四个部分,分别是引言、逻辑回归模型、模型参数的意义和具体的案例。 首先来看引验,我们经常应用的线性回归可以用于分析应变量为连续型变量时,其与自变量之间的线性依存关系。但是在医学研究中,应变量有时是二分类结果, 如发病与不发病、死亡与生存、有效与无效、复发与未复发等。显然,这类变量不满足正态分布的条件。当需要研究二分类应变量的影响因素时,不适合用线性回归分析,这时可以采 用逻辑回归分析。逻辑回归属于概率型非线性回归,它是研究二分类反应变量与多个影响因素之间关系的一种多变量分析方法。逻辑回归模型参数具有明确的实际意义,现在已经成为处理分类型数据的常用方法。 首先我们来看逻辑回归模型,假设有一个二二直应变量歪,当他出现阳性结果的时候,我们取之为一,出现阴性结果的时候取之为零。 另外还有 m 个影响 y 取值的自变量, x 一、 x 二,一直到 xm 观察到的 n 类样本数据。嗯,如下表所示。 x 一、 x 二和道 xm, 他们的不同曲子会影响歪的曲子。 我们就记在这 m 个自变量作用下,阳性结果发生的概率为批,这是一个条件概率,则逻辑回归模型就可以表示为以下形式, 其中贝塔零称为长竖像或者截具。贝塔一,贝塔二到贝塔 m, 我们称为模型的回归系数。如果我们用 z 来表示 mg 自电量的线性组合 z 等于贝塔林加贝塔一 x 一,一直加到贝塔 m 乘以 xm, 那么 z 与 p 之间关系的逻辑曲线我们就可以画出。 如图所示 z 与 p 之间的关 曲线。从图中可以从图中可以看出,当这区域正无穷的时候,批值是渐进于一的。当这区域负无穷的时候,批值是见近于零的, 并且 p 值的变化是在零一范围之内的,并且随着 z 值的增加或减少成 s 型变化,这是我们可以从图中获取到的信息。 我们对逻辑回归模型做变换,就可以表示为如下的限行性质 等号左端为阳性结果发生的概率 p 与阴性结果发生的概率一减 p 的底数,然后再取自然对数称为 p 的老吉特变换,即为老吉特 p。 可以看出, 虽然概率 p 的曲值在前面的途中我们可以看到它是在零和一之间的,但老 g 的 p 却是没有竖直界限的。 为了便于理解,通常以流行病学研究为例来说明模型参数的意义。如果把逻辑模型中的批看作是在某一暴露状态下发病的概率, 则贝塔林表示所有暴露剂量为零时,发病与不发病概率之比的自然对数 反映了疾病的基准状态。回归技术北太街表示,当因素 x 街改变一个单位时,老记得批的改变量。他与衡量危险因素作用大小的比数比,我们用偶尔来表示有一个对应的关系。这里补充一个概念就是比数比,他是比, 表示病例组与对照组中的暴露比例与非暴露比例的笔直之比是反映疾病与暴露之间的关关联强度的指标, 他们的之间的关系。首先我们要假设自变量 xj 有两个不同的曲值,分别是 c 一和 c 零。假定其他因素的水平相同, 那么由流行病学的知识就可以知道两个不同暴露水平下的比数比欧啊阶的自然对数最终可以化减得到是等于北塔阶乘以 c 减 c 零的。 对此结果,我们再取反对数就可以得到 o r j 是等于一的北太街 c 减 c 零四方,其中 p 一和 p 零分别表示 x j 取值为 c 一和 c 零 十的发病概率。我们再对 x 阶进行复制,当在暴露状态下,我们令 x 阶等于一。在被非暴露状态下,我们令 x 阶等于零,则暴露组与非暴露组发病的比数比 o r 阶就等于一的北台阶四方, 这时他便具有了现实意义。当北太街等于零的时候,欧阿街是等于一的,说明 x 街对疾病发生不起作用。 当北塔街大于零时,欧巴街是大于一的,说明 s 街是一个危险因素。当北塔街小于零时,欧巴街是小于一的,说明 s 街是一个保护因素。在具体的研究分析中呢,我们可以结合 x 街他所代表的因素对其做出恰当的解释。 由此可见呢,逻辑回归模型参数具有明确的实际意义。得到某一因素的逻辑回归系数的估计之后,便可得出这因素在不同水平下的比数比,甚至相对危险度。这也是逻辑回归用于一要分析的优势。 接下来我们看一个具体的案例,某医院在研究某种药物治疗骨折效果时,收集了五百一十六份病例资料,对每一患者采用相同的标准,按照好和差做医疗评价。在评价时需要同时考虑骨折的类型、 是否手术、是否服药和治疗时间四个因素对结果的影响。下面是每一个因素的边量名以及他们的编码说明。 我们用 spass 对这个数据进行分析,选择向前选择法筛选自变量,确定显入的检验水准,而法等于零点零五。 经过两步筛选后,我们可以看到最终进入方程的自变量有辅要情况和治疗周数这两个因素。 以下是我们得到的结果,它包括回归系数、标准物塌方值、 p 值、 o r 值和可信区间的上下线。 由结果可以看出,在相同的治疗时间条件下,服药骨折病人获得好疗效的可能性比不服药 药骨折病人更大。其笔数笔为十点零六零。在相同的服药情况下,治疗效果越长,治疗效果越好。其中治疗周数在十一周以上,相对于十一周以下的笔数笔为十四点六三八。 治疗周数在二十一周以上,相对于十一周以下的比数比为一百一十六点八六三,这也印证了我们前面所得到的结果。以上就是本次案例分析的全部内容,感谢大家的聆听!

大家好,我是阿布主小牛奶,今天呢来给大家介绍多元 logistic 的回归,那么这个多元咱们之前是讲过二元的 logic three 回归,就有很多的同学就问我啊,这个多元呢要怎么做?这个结果要怎么看?今天就来给大家讲这个, 首先呢我们还是来复习一下什么是多元 logictoe 回归啊,首先看这个 logictoo 回归啊,他是什么意思呢?他其实就是一种回归分析,只不过呢他的变量是分类的,什么叫分类变量呢?比如说 你是男的还是女的呀?对吧?他只有两种分类啊,你是及格了还是优啊,还是良啊,还是差呀,对吧?那这是几种分类?那么这种呢就叫分类变量,在对分类变量变量进行回归的时候,我们就要应用到这个捞,这次又回归了,那么之前 咱们讲过二元的多元的,顾名思义呢,就是我们这个分类啊,分类中有很多种分类,比如说男和女就叫二元的分类,那么假设说啊,优良中差啊,这四种就叫四元的分类,也就是多元的分类。 那么我们做这个多元了,这个回归的时候呢,要是具体怎么去操作呢啊?我这里呢也是啊,随手找了一些数据,这些数据呢可能不是很好啊,但是呢咱们今天就拿它来举例, 首先呢我们点开这个分析中有一个回归,回归中有一个多元 logystick, 我们点开它,点开之后呢, 这个音变量啊,顾名思义就是把我们这个啊受影响的这个变量放在这里,然后 后呢我们把其他的资本量,也就是因子放在这里,然后呢在这个模型中啊模型,嗯,我们看一眼啊,就用它默认就可以。在这个统计中呢 有几个重要的值,我们要勾选上,就是这三个值,单元格、频率分类表,还有你和优度啊,要勾选上勾选点继续其他的我们全部就用他的默认选项就可以啊,给大家看一下。 好,然后点击确定,点击确定之后呢会生成啊这么一些东西。首先呢我们主要是看这四个表格, 模型你和信息,你和优度、 vr 方,还有这个四然 b 检验,我们先看这四个标准。首先呢我们看这个模型,你和信息,我们发现 他的显著性是大于零点零五的,这这个还比较巧,我这个例子他是零点零五一是比零点零五大的,那么我们知道他比零点零五大,那他是怎么着啊?他是不是就不显著了?不显著就代表这个模型他不显著, 那么这个时候我们就要对模型进行一个调整,那怎么进行调整呢?我们看第四个表格,他虽然比简约中啊,我们看到各个变量的显著性啊,都有一个体现。那我们看到这这里面的显著性,是不是我们发现 第三个您的家庭婚姻情况,他的这个显著性最大的,也就是说他其实上实际上他是最不好的一个变量,也就是说最不能解释啊, 对我们这个事情进行解释的一个变量,那我们在模型调整的时候就可以把这第三个去掉啊,我们把第三个去掉 清除,清除之后呢,我们用同样的方法再做一次,再做一次,这时候我们就发现 他的显著性已经到了零点零幺七,这个就已经小于零点零五了,对吧?那么这个就可以用了,就可以用了,这个模型就可以用了,接下来我们看你会有度, 牛油度,我看到这非常高啊,是一点零,这已经非常高了,一般牛油度就是零点六以上,对吧?然后这个尾 r 方啊,这个表格实际上不用太过于参考,因为我们知道真正的多元回归,他是很难去解释 啊,用看这甲方,真正的多元素的 r 方是不会非常高的,所以说这个表格我们作为参考就可以,主要看你和有度就可以。然后看这个自然笔,那个自然笔啊,实际上不是特别的理想啊, 总的来说,这三个别量对于这个事情来说,他都没有非常显著的影响啊,这个最好也是小于零点零五,那么我们现在假设他小于零点零五啊,因为我们有更多的这个数据了。假设他小于零点零五,我们 看下面这个表格,然后给大家告告诉大家具体怎么去看他下面的这个结果。 我们看这个结果非常乱啊,他分为这个二点二、二点四、二点六,一直到 这个三点八,是什么意思呢?就说我们这个结果呀,嗯,对环保问题认知程度,这个结果从二点二到三点八有这么多个结果,那么每个结果中呢? 他又有不同的分类,比如说根据年龄分类,根据性别分类,根据学学历去分类。那么具体怎么去看呢?我们要这么看看显著性这一例, 显著性这一列如果出现小于零点零五,我们就抓住他,好,我们现在往下数啊,这点没有没有没有, 找一个零点二五九,这个也不行啊,要小于零点零五,没有没有,零点零九七不行,零点 二零九二不行。 哎,终于出现了,哎,不容易啊,哎,打车了,在这不容易哈,我们在三点八的这一个结果中, 终于在学历这块找到一个小于零点零五的,对吧?这是零点零二五,那这是什么意思呢?也就是说 在当学历等于二的时候啊,这二我忘了是什么了,因为他分一二三四五,假设这个是小学,中学啊,本科研究成博士,那就是说中学的学历对于他的这个环保 得分三点八,环保意识得分三点八的这个情况下,他的影响是显著的,对吧?他的影响是显著的,也就是说 这个中学的学历啊,对于这个选项的时候是显著的。那么同理,假设说其他的啊,因为我没有看到我这个结果中其他小于这个零点零五的数啊,假设其他也有,也有这样的数 啊,你往下排,可能他有四啊,有五啊,将来你做的时候,对吧?他有四有五啊,哎,你发现这个学历越高,比如说他到了本科,到了硕士,哎,他的这个环保,这个 环保认知的程度呢,越来越高,但是你可以就可以得出一个结论,对吧?什么结论呢?就是说学历越高, 那么对环保的认人程度就越高啊,这个就是多元了,这次回归的一个大概的啊,模型的检验啊,就是他结果的意义, 那么具体呢?我这没有比较好的数据,所以说比较抱歉啊,大家可以根据自己的数据然后去做啊,希望大家做的结果,比如我这个要理想啊。

机器学习经典算法逻辑回归。逻辑回归啊,又叫 logistic 回归,他的输入呢,是连续的,输出是离散的,只有零和一两个值,所以通常用来解决这个二元分类问题。比如说啊,信息情感的正负啊,或者是级别的判断线性回归呢,他的输入和输出啊,都是连续的,但是在现实生活中这种情况比较少见, 所以通常会对星星回归做一个变形,获得一个广义的星星模型。在逻辑回归中啊,这个 hx 函数呢,就是这个 logistic 函数,它是一种一个猫眼的函数,也就是 s 形状的输出,在零和一之间,我们认为啊,这个输出是一种概率,然后在人为的设定一个预值,比如说零点五, 当这个概率呢,大于零点五的时候呀,我们就认为这个数据标签是一。当这个概率小于一直零点五的时候呢,我们就认为这个数据标签是零,这个零和一就是逻辑回归的这个输出。整个这个逻辑回归的这个模型呢,也可以看作是一个单层的 北京网络。再说说这个参数的估计,在现行回归中呢,参数估计啊,使用的是普通最小二乘法,但是这个方法呢,在逻辑回归中并不适用,因为会在这种情况下陷入一个局部的最有解,所以逻辑回归他的这个啊,损失函数的思路是这样的, 当数据的真实标签是一的时候,我们预测出来的这个概率呢,越小,认为损失函数越大。当数据的这个真实标签是零的时候,呃,这个预测出来的概率越大呢,损失函数越大,其实这就是交叉伤函数,关于交叉伤函数和吉他,私人估计会在后面的视频给大家讲解,今天分享就是这样,这是艾瑞斯,拜拜。

大家好,这次给大家讲的内容是这个诺杰的回归,那么首先我们进入 sps u 系统, 找到在这个进阶方法里边啊,进阶方法里边的这个二元落脚回归,这次的内容是二元落脚回归,那么落脚回归呢,其实有好几个啊,包括二元多分类,还有有序落脚回归,对吧?那么三个有什么样的区别呢?我们首先来看一下啊, 找到这个帮助手车里边有啊,二元多就要回归,他的一个区别在于说啊,我们的音变量就是被影响的歪子,他的这个数据类型有一点区别,如果说你的音变量歪呢,是这种定量的 数据啊,一般就用我们的性性回归,那么诺角回归呢?因面量歪呢?都是我们的定内数据,那么定内数据呢?它又分几种?第一种叫做二元诺角回归, 但是歪的类别的字为定内数据,并且呢只有两个选项啊,你比如说你的音面量歪,是是否愿意购买,对吧?啊,愿意购买呢,用数字一,不愿意呢?用零啊,这个时候呢,二元多就要回归,如果说你的音面量为定内,而且是多个类别, 比如说,哎,这个总统候选人的编号,那么有三个候选人,特特朗普啊,希腊里还有卢比奥,对吧?那这个时候呢,哎,类别数大于二了啊,而且是定内数据,那么我们就叫做多分类诺奖回归,那 还有一种情况呢,叫有序诺者回归,哎,他的歪值啊,因面料歪值也是定内的数据,并且是有序的。什么叫有序啊?你比如说这里举个例子啊,有三个,一个叫不幸福,用数字一表示啊,比较幸福,用数字二表示十分幸福,用数字。三表示, 数字越大是不就越幸福?他就是属于我们的有序的,而且呢,他就只有三项, 你把它,它把它看成是一种类别的,就相当于是三类,三类一情况,而且那三个类别的时候呢,哎,他是有这种啊,层级就是数字越大越怎么样的这种关系。那么这个时候呢,就可以用有训读角回归, 事实上呢,这个有限多久回归啊?有的时候呢,很多时候啊,他都可以用线性回归把他踢 替代掉啊,从数学上的角度来看呢,是说,哎,你的这个音密量外弱是正态的,那么就用现行回归,如果是类别的啊,不正态的啊,而且是类别的呢,就用这种啊,有迅多久回归啊, 这是理论上啊,事实上很多时候这个有限落脚回归呢,都会被线性回归,或者是说多分类落脚回归,哎,给替换掉啊,一般他的类别数很少的啊,不能太多,因为太多了之后呢,你还不如把它当成是啊,定量的数据呢,对吧?嗯, 那么我们啊,这一次呢,首先来讲一下这一个啊,二元多久回归啊?就我们的系统里面二元多久回归,哎,比如说这里有一个数据啊,数据是对于这个苹果手机相关的一些态度看法,你比如说啊,苹果手机的外观流畅性因 是什么?屏幕创新等等,对吧?哎,这些因素啊,你对于这些因素的态度啊,他就会影响到你是否是再次购买,对吧?或者是你是否愿意推荐, 那么你的这个这些就相当于 x 影响到你是否再次购买啊, y 就放在这里边,对吧?嗯, x 呢,比如说我们放外观啊,流畅性音质和屏幕放在思想进去,对吧?那这个时候呢,就可以开始分析了啊,开始分析, 首先呢,我们第一个表格啊,他只是一个汇总,比如说你这个再次购买啊,就不会不会再次购买,会再次购买比例分别是多少啊?有的时候呢,有缺失样本,这里给一个汇总的啊这里给一个汇总的,那么啊,这是一个简单的一个汇总表格啊, 没什么意义啊。那么第二个表格呢,是说二元多久回归模型的一个叫做释然笔检验,他是针对于整个模型的一个检验啊, 那他是看我们的这个啊,批值啊,看换我们的批值,如果说批值小于零点零五,那么说明模型是有意义的啊, 智能分析里边也有模型有意义,什么意思呢?他的语言假设是说放入质变量和不放入质变量是一样的,所以说想引领我拒绝元假设,那因此呢,就说明了,哎,放入质变量是 ok 的,那么模型构建是有意义的 啊,这两个值也是过程值,因为你要得到批值是需要卡方值和跌幅值算出来的啊, aic 值和 bic 值啊,如果说你进行过多次二元多久回归,你想 找出来一个更优秀一点啊,那么就可以根据 aicbic 值啊,越小嘞,这两个值越小嘞,说明模型越好一点啊,一般用处也不大啊。 那么接下来再往后面就很重要的,你不是要找出影响关系吗?查看这个影响关系,那么这个表格呢,就是影响关系的分析啊,也是一样的啊,他分析的这个分析的步骤就已经写了, 首先呢,这个进行 r 方纸大概看一下, r 方纸啊,这个 r 方纸零点一九四,说明呢,凭这个外观、流畅性、音质、屏幕这四项可以显示你是否再次购买百分之十九点四的原因,对吧? 这个值啊,意义其实非常小啊,意义非常小,因为你更多的在乎的是这个啊,影响关系而已,那么看这个 啊,接着呢,是逐一针对 x 对 y 的影响情况进行分析啊,怎么分析呢?批准小于零点零五,对吧?说明有影响啊,比如说这小于零点零五,说明有影响,那么这个回归速度大于零,说明是正向影响,对吧?啊?说明是正向影响,你比如说这两项啊, 都是真相影响的外观和流畅性,你对外观的涨幅度越高,或者流畅性的涨幅度越高,说明你再次购买的意愿性也越强,对吧?啊, 这个标准物和 z 值呢,也没有太多意义啊啊,这因为你 z 值是回购系数除以标准物,对吧?你要算批值,需要根据 z 值来算。 那么还有一个叫欧儿子,这个呢,在医学研究的时候呢,用的比较多啊,因为医学里面常见的是因为呢是阳性,阴性,对吧?欧儿子代表什么意思啊? 先有影响的时候再来分析。偶尔纸啊,你比如说这个二点四三六,代表什么意思啊?比如说苹果手机的外观的这个态度,对吧?你的在乎程度,如果说你提高一个单位, 那么你购买的再次购买了意愿要提高多大的比例呢?那就是说,如果说你对外观的这个账户程度提高一个单位啊,那么你的这个购买的意愿呢,也同时变成了二点四三六倍啊, 这个是偶尔值的意义,当然呢,他还给出了一个九十五的这个区间啊,啊,就是你的这个二点四三六啊,其实百分之九十五的情况下是建于这个一点四五六到四点零七五之间啊, 一般分析偶尔纸就可以了,这个偶尔纸一般是经济学,或者是说啊金融相关的领域以及医学 相关的或者其他一些专业呢,他会使用的这个 org 啊,常见的呢,其实用的不是那么多啊。 当然了,这个智能分析里边啊,还会给你这样的一个模型公式啊,对吧?会给你默认给你这个模型公式啊,他就是数学上的一个公式而已,音也不大啊。 当然了,这个智能分析呢,这里也说了啊,这个偶尔只代表什么意思,在这里边也写清楚了,有没有影响呢?在这里边也全部都给你写清楚了啊,包括这个分析总结啊,这是一个啊,非常好的一个智能分析啊。那么再往下面呢,还有一个叫做预测准确率,什么意思啊? 就是说啊,你做了这个事情呢,他要来看你的这个模型预测准确还是不准确,你比如说 你有可能把这个不愿意再次购买的,是不是不愿意这个不愿意再次购买的,真实则是不愿意再次购买就不会再购买,对吧?把它预测成 不会购买,也可能把它预设成会购买,是不是预售错了啊?说出来这个啊,预售准确率就是这样一个意思啊, 预测准确率,比如说这个只代表是八十二点九三,代表什么意思啊?代表说本来就不愿意购买的啊,不愿意暂时购买的,你预测出来也是不愿意购买啊,比例是百分之八十二点九三啊, 如果说你愿意购买,结果呢,又预测出来也是愿意再次购买,他的比例是五十五点八八啊,最终汇总的一个啊,预测准确率呢,七十二点五六啊,当然还有一个预测错误率啊,一般来说,如果说你的啊,你的重心,或者说你的重 点是在于判断这个模型的这个影响关系啊,就看这个批值的这个时候呢啊,那这个表格就意义很小了,如果说你的重心是在于说你和出这样一个很好的一个模型,得到这个模型公式,对吧?哎,方便以后的这个数据 来的时候呢,你同样的放到模型里边来判断他到底是愿意购买还是不愿意购买,哎,那个时候,这个时候呢,这个纸就很重要了啊, 常见的,如果是学术研究呢,这个这个这个表格就意义比较小,如果是商业应用里边啊,企业里边呢,会对这个指标看中的比较高一点啊,一般这个指肯定是综合的,这个预测准确率肯定是越大越好,对吧?嗯 啊啊,一般啊,一般情况下大于百分之七十八十就是可以的啊,当然越大越好,如果说 体验里面用,很可能是需要希望是大于九十或者九十五以上,九十九以上都有可能,因为这样子预测准确率高,说明这个模型价值高啊, 这是我们的这个预设准确率,当然了下面还有一个简化格式啊,简化格式是一个啊,就是非常昂简简简化的一个是用于这个啊,如果说这个发表文章的时候他会用他这种 简化格式,因为文章里面不可能写写那个啊,这种发表出来的文章不可能写这么多的一些中间过程纸,对吧?啊?这是我们的二元多久回归以及二元多久回归有几个注意事项啊? 那么二年多久回归的,因面料弯起来他只会有两个字 yes no, 对吧?而且呢已经固定好了。数字一代表愿意或者是不要指同意啊啊会啊, 数字里面代表不愿意啊,不同意啊,不喜欢啊啊不爱啊不放心,对吧?所以说如果说你的原始数据不是这个样子的啊,那你需要用这个数据处理里边进行处理,那我的这个数据呢?数据标签里边你比如说这个再次购买意愿,数字零代表不会,数字一代表会。 如果不是这个样子啊,你需要如果说你的数字一代表会啊,那个数字一零代表会,数字一代表不会,那么这个时候呢你其实需要用数据编码把它编过来,把那个数字对吧?零换成一,一换成零啊, 处理了之后把这个标签打上,为什么呢?因为你打好这个标签之后呢,下面这些显示才会正常的显示啊,否则的话他显示出来就是数字一零一零的这种啊,就是也没有太多意义啊,就是阅读起来有一点小障碍啊, 这是二元多久回归啊,特别提示的就是歪值只能为零或者一。还有一个地方需要特别提示的是,如果说你的这个自编量很多啊,二元多久回归你比如说你这有很多很多,对吧?啊?你这里有特别多啊,还有这些,对吧? 太多了,你去住的时候啊,这个二元多谢回归。你这些太多之后啊,他有可能有的关系很强,所以有可能出现质量异常,那是因为自编量之间的这种关系很强了, 所以说呢,导致这个出现问题。还有一个呢,这个太多了之后啊,你从研究中研究的重心呢?就就就就就没有一个着落点,就是没有简化,那么有一个处理办法呢?是什么?你这个是歪,是不是定内数据这些呢? 一般都是定量数据啊,或者是如果是定内数据也可以,那么你先注一下这个交叉卡方,或者是这个方差,或者是体检验也可以,比如说再次购买一元啊,他是两类的,那么再次购买一元,哎,放到这个里边,把这些放在这里边,如果说你先做这种差异分析啊, 他的核心就先做差异分析,如果说差异分析都没有差异呢,那么你就不要把它放到模型里边去做了啊,当然我这里这个数据比较好啊,他全部都有差异,所以说呢,你放到模型里边都是 ok 的啊, 如果说这些这些这这这些因素,他是定量数据,就做这种体检验或者防查,如果说是定那个因素,你比如说你还研究一个叫什么啊?职业啊,这没有职业啊,那比如说月收入吧,月收入你把它当成定内数据,那么你可以做个差异,就这个交叉卡方法 分析,对吧?把这一个加插卡方分写,把这一个啊,如如果说他呈现出这个没有呈现出差异性,说明他本身基本的差异都没有,那就没有影响关系,就把他移出去,让这个模型啊,稍微简化一些,越简化的模型啊,事实上你和效果是越好的, 因为你对一些,你比如说你对一些这些假设都没有影响,他连基本的差异都没有达到,他不会有影响的,放进去呢,会干扰模型的啊, 这是啊,我们的这个相当于这是一种思路啊,如果说你的这个 x 这些特别多的时候呢,哎,先做一些交叉卡方或者是 体检液这种,先做一些这种啊,基础一点的啊,差异分析,把那种啊没有差异关系的把它扔出去,然后呢再来进行我们 的啊,把余下有差异的放到这个边量里边,这边量里边来去研究影响关系,这是我们的二元多久回归啊 啊,最后再说一下,是那个二元多久回归啊,不管是二元还是多分类,还是有需要多久回归,他的这个歪值啊,都是把它看成是定定内数据的,如果说歪值只有两项零和一的啊,那么就是这二元多久回归,如果说是超过两项啊,那就是多分类, 不是超过两项,而且是啊歪式的那个选项他是有越大越怎么样的这种关系,那就有有许多叫回归 啊,那就是接下来的课程会讲到啊,今天课程就到这里,好,谢。