目录Python全系列 教程
3567个小节阅读：5931.5k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
前面讲解的二元logistic回归分析仅适合因变量Y只有两种取值（二元logistic）的情况，如：死亡或者生存，男性或者女性，有或无，是或否的情况。
当因变量Y具有两种以上的取值时，就要用多元logistic回归分析。多元Logistic分析可以应用到各个领域，比如社会学、经济学、医疗和农业研究等多个领域。如不同阶段（初一、初二、初三）学生视力下降程度。不同龋齿情况（轻度、中度、重度）下与刷牙、饮食、年龄的关系等。
示例：该假设数据文件涉及关于早餐喜好的民意调查，该调查记录了参与者的年龄、性别、婚姻状况以及生活方式是否积极，每个个案代表一个单独的响应者。
调查机构想搞清楚是什么影响着受访人每天吃什么早餐。因变量“早餐选择”包括（1=早餐吧、2=燕麦类、3=谷物类），自变量暂定年龄、婚姻状况以及生活方式。
导入数据
在打开的多元Logistic回归窗口，选择首选的早餐到“因变量”中。点击“参考类别”，默认勾选的是最后一个类别，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。
选择年龄、婚姻状况以及生活方式选入“因子”
主面板中，点击【模型】按钮，打开【多元logistic回归：模型】对话框，勾选【主效应】，本例主要考察自变量年龄、生活方式、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】。
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。
在“条件”按钮和“选项”按钮中取默认值就好
最大迭代次数必须是小于等于100的整数。
点击“确定”查看输出结果：
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。
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。
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。
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。
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、生活方式，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。
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，是多元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。
模型在预测燕麦类早餐选择倾向上准确率最高，达到77.1%，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。
从实测频率和预测频率中可以看到，对各种分类实测预测所占百分比。
原始数据最右侧新增6个变量，依次为EST1_1、EST2_1、EST3_1、PRE_1、PCP_1、ACP_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、预测分类、预测类别概率、实测类别概率。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。
