逻辑回归分析中因变量的数据类型（如何用SPSS做多项Logistic回归）

本文目录

• 如何用SPSS做多项Logistic回归
• 逻辑回归分析中因变量的数据类型
• 统计学里面多因素logistic回归结果里面，所谓的伪决定系数有何意义
• 逻辑回归和线性回归的区别是什么
• spss逻辑回归中0-1型回归是二元吗
• 应变量为发病次数可以用多因素Logistic回归分析吗
• 逻辑回归和线性回归的区别 机器学习
• logistic回归分析中反应变量y可以是哪些变量类型
• 按照因变量分类的数量可以将逻辑回归分为什么
• SPSS的logistic回归分析中因变量、协变量及选择变量是什么意思

如何用SPSS做多项Logistic回归

logistic多项回归 是 针对因变量有多个分类的回归分析，其中又分为有序分类和无序分类两种
所以首先你要确认下你的因变量分类是否有顺序含义，如果没有顺序含义，就用无序logistic回归
具体操作方法跟普通的回归类似
分别把自变量和因变量移入对应对话框即可，只是结果解释比较复杂

逻辑回归分析中因变量的数据类型

什么是回归分析？

回归分析是一种预测建模技术，研究因变量(目标)和自变量(预测值)之间的关系。这种技术通常用于预测分析、时间序列模型和寻找变量之间的因果关系。例如，研究驾驶员鲁莽驾驶与道路交通事故数量之间关系的最佳方法是回归。

回归分析是建模和分析数据的重要工具。这里，我们使用曲线/直线来拟合这些数据点。这样，从曲线或直线到数据点的距离差是最小的。我将在下一节详细解释这一点。

我们为什么要用回归分析？

如上所述，回归分析估计两个或多个变量之间的关系。下面，我们举个简单的例子来理解一下:

例如，在当前的经济条件下，你应该估计一个公司的销售增长。现在，你有公司的最新数据，显示销售增长是经济增长的2.5倍左右。然后利用回归分析，可以根据现在和过去的信息预测公司未来的销售额。

统计学里面多因素logistic回归结果里面，所谓的伪决定系数有何意义

伪决定系数，跟线性回归一样，逻辑回归也存在决定系数，称为伪决定系数。它是由似然函数计算而来的，它的值越接近于1说明回归拟合的越好。

在SPSS的结果中存在两种伪决定系数，分别是1989年Cox和Snell提出的伪决定系数（取值范围为0≤R2《1）和1991年Nagelkerke提出的最大调整决定系数（取值范围为0≤R2≤1），两者选一即可。

扩展资料

Logistic回归分析也用于研究影响关系，即X对于Y的影响情况。Y为定量数据，X可以是定量数据或定类数据。

Logistic回归和线性回归最大的区别在于，Y的数据类型。线性回归分析的因变量Y属于定量数据，而Logistic回归分析的因变量Y属于分类数据。

Logistic回归分析可用于估计某个事件发生的可能性，也可分析某个问题的影响因素有哪些。

问卷研究中，Logistic回归常被用在分析非量表题上，像是将样本基本背景信息作为X，购买意愿作为Y，分析性别、年龄、家庭条件是否会影响购买意愿。

其中，二元Logistic回归分析的使用频率最高，使用简单方便容易理解和描述，下面以二元Logistic回归为例，对操作步骤，及结果解读进行说明。

逻辑回归和线性回归的区别是什么

一、性质不同

1、逻辑回归：是一种广义的线性回归分析模型。

2、线性回归：利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

二、应用不同

1、逻辑回归：常用于数据挖掘，疾病自动诊断，经济预测等领域。

2、线性回归：常运用于数学、金融、趋势线、经济学等领域。

扩展资料：

线性回归的特征：

回归分析中有多个自变量：这里有一个原则问题，这些自变量的重要性，究竟谁是最重要，谁是比较重要，谁是不重要。所以，spss线性回归有一个和逐步判别分析的等价的设置。

原理：是F检验。spss中的操作是“分析”～“回归”～“线性”主对话框方法框中需先选定“逐步”方法～“选项”子对话框

如果是选择“用F检验的概率值”，越小代表这个变量越容易进入方程。原因是这个变量的F检验的概率小，说明它显著，也就是这个变量对回归方程的贡献越大，进一步说就是该变量被引入回归方程的资格越大。

spss逻辑回归中0-1型回归是二元吗

spss逻辑回归中0-1型回归是二元吗？

如果是因变量只包含0和1，可以使用二元logit回归进行分析。二元logit回归特点是因变量（Y）是定类数据，并且只使用两个数字去表示，规定为 1和0，并且 只能是1或0，比如1代表愿意0代表不愿意；1代表会0代表不会；1代表可以0代表不可以；1代表喜欢0代表不喜欢。

二元Logit回归要求因变量Y只能包括数字0和1，而且不能全部为0或1；如果出现此提示则说明因变量有问题。可通过频数分析进行检查查看。同时，如果要对数字编码，则需要使用【SPSSAU数据处理-》数据编码】功能，类似如下图（最终保证因变量Y只能有数字0和1）：

二元logit回归，有序logit回归，多分类logit回归的区别如下：

应变量为发病次数可以用多因素Logistic回归分析吗

logistic回归 主要是看因变量的分类
如果因变量是二分类的 就用二元logistic回归
如果因变量是多个分类的，就用多元有序或者无序的logistic回归
所以你首先看你的因变量发病次数 是否算是分类变量或者是有几个分类，如果发病次数仅有很小的几个分类，用logistic回归没什么问题，如果发病次数有很多分类，可以尝试将其作为连续性变量 进行普通回归

逻辑回归和线性回归的区别 机器学习

逻辑回归：y=sigmoid(w’x)
线性回归：y=w’x
也就是逻辑回归比线性回归多了一个sigmoid函数，sigmoid(x)=1/(1+exp(-x))，其实就是对x进行归一化操作，使得sigmoid(x)位于0~1
逻辑回归通常用于二分类模型，目标函数是二类交叉熵，y的值表示属于第1类的概率，用户可以自己设置一个分类阈值。
线性回归用来拟合数据，目标函数是平法和误差

logistic回归分析中反应变量y可以是哪些变量类型

ogistic回归主要用于危险因素探索。因变量y为二分类或多分类变量，自变量既可以为分类变量，也可以为连续变量。
　　

回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系。

因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。

它是一种具体的、行之有效的、实用价值很高的常用市场预测方法。

Logit回归共分为三种，分别是二元Logit（Logistic）回归、多分类Logit（Logistic）回归，有序Logit（Logistic）回归（也称Oridinal回归），此三个方法的区别在于因变量Y的数据类型。

如果是有序Logit(logistic)回归，其因变量Y为定类且有序，即因变量的属性类别上为类别数据，但是类别之前可以对比大小，比如“不幸福，比较幸福和十分幸福”这是三种类别，但同时此三种类别可以对比大小，数字越大代表越幸福（此类数据也称有序数据）。

如果因变量为此类数据时，则需要使用有序logit回归分析。

如果X非常多(比如超过10个)，此时可以先对定类的X与Y进行卡方分析，对定量的X与Y进行方差分析，先看有没有差异关系，将最终有差异关系的X放入有序Logit回归模型中。

这样X会较少，并且X与Y均有差异关系，也更可能有影响关系，此时有序Logit回归模型的预测准确率会更高。

按照因变量分类的数量可以将逻辑回归分为什么

按照因变量分类数的多少，可将非条件逻辑回归分为二分类逻辑回归和多分类逻辑回归两类。

扩展：

1、为什么会有非条件和条件逻辑回归？
按照研究设计的不同，可将逻辑回归分为成组资料的非条件逻辑回归和配对资料的条件逻辑回归两类。成组资料是指组与组之间是相互独立的，没有针对每一个病例去寻找他特定的对照，它是相对于配对资料而言的。配对资料是指研究设计之初，根据潜在的影响因素如性别、年龄等将病例与对照配成对子，可以是一个病例配一个对照，也可以是一个病例配n个对照。对于成组资料，采用的是非条件逻辑回归；对与配对资料，采用的是条件逻辑回归，两者之间有着明显的区别。

按照因变量分类数的多少，可将非条件逻辑回归分为二分类逻辑回归和多分类逻辑回归两类，二分类是指因变量只有两个分类（如是否发生出血），多分类是指因变量有三个及以上分类（如按照出血量的不同，分为轻度、中度和重度出血）。
在实际工作中我们最为常用的还是“二分类非条件逻辑回归”，即因变量是两个分类的，研究设计不是病例与对照配对设计的，而是常规的成组设计。

2、逻辑回归需要多大的样本量？
在实际工作中，经常遇到仅有20-30个病人的资料去做逻辑回归的，这样回归结果可能存在样本量不足的问题。那么在逻辑回归的计算中到底需要多少样本量呢？

对于逻辑回归样本量的确定，有一些计算公式和工具表可供参考。一般认为非条件逻辑回归样本容量应为自变量个数的5-10倍，即如果你纳入5个自变量那么样本的总例数应该大于25-50人。较为严格的要求是，在因变量的各个水平中，例数最少的水平的样本数也应该是自变量个数的5-10倍。比如有200个研究对象，其中患病40个，未患病160个，想研究患病的影响因素，那么逻辑回归可纳入的自变量个数为40/10=4个。也有教材指出，经验上非条件逻辑回归中各组的人数应该至少有30-50例（摘自《医学统计学》第三版p293，人民卫生出版社，主编孙振球）。
对于条件逻辑回归而言，配对组数不应《50组，且总体的样本量应该大于纳入方程的自变量个数的20倍以上。
逻辑回归的所有统计推断都是建立在大样本基础之上的，因此要求有足够的样本量来支持其回归结果的可信度。

SPSS的logistic回归分析中因变量、协变量及选择变量是什么意思

在回归分析模型 Y=β0+β1X+ε（一元线性回归模型）中，Y是被解释变量，就称为因变量。X是解释变量，称为自变量。表示为：因变量Y随自变量X的变化而变化。协变量是指那些人为很难控制的变量，通常在回归分析中要排除这些因素对结果的影响。

“选择变量”即是条件变量，并且有个条件定义按钮（rule），通过这个按钮可以给定一个条件，只有变量值满足这个条件的样本数据才参与回归分析。

扩展资料：

一元线性回归分析预测法，是根据自变量x和因变量Y的相关关系，建立x与Y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。

所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素的变量，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测。

一元线性回归分析法的预测模型为：

式中，xt代表t期自变量的值；

代表t期因变量的值；

a、b代表一元线性回归方程的参数。

a、b参数由下列公式求得（用代表）：

参考资料来源：百度百科-一元线性回归