Logistic回归(因变量为二分变量/二项分布)probit回归Poisson(因变量为poisson分布)第三章:横截面数据:因变量为分类变量及因变量为频数(计数)(自变量)之间关系的一种多变量分析方法,属概率型非线性回归。最常用的是二值型logistic,即因变量的取值只包含两个类别例如:好、坏 ;发生、不发生;常用Y=1或Y=0表示。自变量X称为危险因素或暴露因素,可为连续变量、等级变量、分类变量,可有m个自变量X1,X2,…Xm。P表示Y=1的概率,是其他变量的一个函数。【p(Y=1|X)表示在X的条件下Y=1的概率】logistic回归的数学表达式为:.logistic回归的分类:(1)二分类资料logistic回归:因变量为两分类变量的资料,可用非条件logistic回归和条件logistic回归进行分析。非条件logistic回归多用于非配比病例-对照研究或队列研究资料,条件logistic回归多用于配对或配比资料。(2)多分类资料logistic回归:因变量为多项分类的资料,可用多项分类logistic回归模型或有序分类logistic回归模型进行分析。、1,概率为1-p、p,则显然我们也可以用多重回归进行分析?为什么要用logistic回归分析?logistic回归回归系数、模型评估、参数估计、假设检验等与之前的回归分析有何不同?因变量为二分变量时既可以用logistics回归也可以用probit回归,:p(y=1)表示某暴露因素状态下,结果y=1的概率(P)模型。-1-2-:X上同样的变化对Y产生的影响不同,由图1也可以直观的看出这里并不适合进行线性回归。虽然有很多非线性的函数可以呈现S形,但由于Logit转化比较简易,所以更受欢迎。..Logit与概率不同,它没有上下限。比数去除了概率的上限,比数的对数去除了概率的下限;且是以0,5为中点对称的,,;概率上相同的改变与在logits上产生的改变是不同的,logit转化拉直了X与最初的概率之间的非线性关系。.
logistic回归、probit回归与poission回归ppt课件 来自淘豆网m.daumloan.com转载请标明出处.
