admin 管理员组文章数量: 1086019
2024年4月15日发(作者：shell脚本全局变量)
Logistic回归分析（logit回归）一般可分为3类，分别是二元Logistic回归分析、多分类Logistic回归分析和有序Logistic回归分
析。logistic回归分析类型如下所示。
Logistic回归分析用于研究X对Y的影响，并且对X的数据类型没有要求，X可以为定类数据，也可以为定量数据，但要求Y必须为
定类数据，并且根据Y的选项数，使用相应的数据分析方法。
如果Y有两个选项，如愿意和不愿意、是和否，那么应该使用二元Logistic回归分析(SPSSAU【进阶方法->二元logit】)；
如果Y有多个选项，并且各个选项之间可以对比大小，例如，1代表“不愿意”，2代表“无所谓”，3代表“愿意”，这3
个选项具有对比意义，数值越高，代表样本的愿意程度越高，那么应该使用多元有序Logistic回归分析(SPSSAU【进阶方
法->有序logit】)；
如果Y有多个选项，并且各个选项之间不具有对比意义，例如，1代表“淘宝”，2代表“天猫”，3代表“京东”，4代表
“亚马逊中国”，数值仅代表不同类别，数值大小不具有对比意义，那么应该使用多元无序Logistic回归分析(SPSSAU
【进阶方法->多分类logit】)。
1、多分类logistic回归分析基本说明
只要是logistic回归，都是研究X对于Y的影响，区别在于因变量Y上，logistic回归时，因变量Y是看成定类数据的，如果为二元
（即选项只有2个），那么就是二元logistic回归； 如果Y是多个类别且类别之间无法进行对比程度或者大小，则为多分类logistic
回归；如果Y是多个类别且类别之间可以对比程度大小（也称为定量数据，或者有序定类数据），此时则使用有序logistic回归。
多分类logistic回归的难点在于：因变量为类别数据，研究X对Y的影响时，如果为类别数据，那么不能说越如何越如何，比如不
能说越满意越愿意购买；而只能说相对小米手机来说，对于手机外观越满意越愿意购买苹果手机。这就是类别数据的特点，一定
是相对某某而言。这就导致了多分类logistic回归分析时，文字分析的难度加大，最好是使用SPSSAU的智能文字分析对应查看。
单独进行多分类logistic回归时，通常需要有以下步骤，分别是数据处理，模型似然比检验，参数估计分析和模型预测效果分析共
4个步骤。
1) 数据处理
如果说因变量Y的类别个数很多，比如为10个，此时建议时对类别进行组合下，尽量少的减少类别数量，便于后续进行分析。此
步骤可通过SPSSAU【数据处理->数据编码】完成。
如果说自变量X是定类数据，那么可对X进行虚拟哑变量处理，使用SPSSAU数据处理模块的生成变量功能。关于虚拟哑变量问
题，可参阅SPSSAU的手册。其实定类数据在做影响关系研究时，通常都会做虚拟哑变量处理。而且做完之后，放入模型时一定
要少放一项，比如专业分成理工科，文科类，体育艺术类。那么分析时一定要少放一项（少放的项是参考项），因为这涉及到分
析时进行文字描述。至于少放那一项，由研究者自行决定即可。
处理完成数据，确保数据没有问题后，直接进入SPSSAU【进阶方法->多分类logit】进行分析即可。
2) 模型似然比检验
模型似然比检验用于对整个模型的有效性进行分析，一般对应的P值小于0.05即可。同时SPSSAU还提供AIC和BIC这两个指标
值，如果模型有多个，而且希望进行模型之间的优劣比较，可使用此两个指标，此两个指标是越小越好。具体可直接查看
SPSSAU的智能分析和分析建议即可。
3) 参数估计分析
参数估计分析其实就已经开始进入实质性的分析了。首先可分析R方，即模型的拟合水平情况，SPSSAU提供3个R方值指标，分
别是McFadden R 方、Cox & Snell R 方和Nagelkerke R 方。此3个R 方均为伪R 方值，其值越大越好，但其无法非常有效的表
达模型的拟合程度，意义相对交小，而且多数情况此3个指标值均会特别小，研究人员不用过分关注于此3个指标值。一般报告其
中任意一个R方值指标即可。
接着分析回归系数，即X对于Y的影响。一定记住，分析时是先基于以***作为参照时，X对于**有正向影响。比如相对于小米手机
作为参照项，用户对于手机外观的在乎程度会正向影响到用户选择苹果手机。简而言之即说明，相对小米手机，用户越在乎外观
时，更加可能选择苹果手机。
4) 模型预测效果分析
多分类logistic回归建模时，还可以对模型的预测效果进行分析，当然一般情况下我们关注于影响关系，因而对于预测效果等不那
么看重。即模型预测质量的关注乎相对较低，多数时候直接忽略它。
2、如何使用SPSSAU进行多分类logistic回归操作
关于多分类logistic回归的操作上，SPSSAU操作如下：
此处的X为3个，分别是性别，学历和年龄，学历和年龄是定量数据直接纳入模型中即可。但是性别是定类数据，所以先做了虚拟
哑变量（数据处理->生成变量功能），然后性别分为两项分别是男和女，以男作为参照项，因此把女放入了模型中。
至于分析结果如下：
版权声明：本文标题：多分类Logistic回归教程与结果解读 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1713189469a623145.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论