Logistic模型的详细介绍

1. Logistic模型的详细介绍

与多重线性回归的比较logistic回归(Logistic regression) 与多重线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型（generalized linear model）。这一家族中的模型形式基本上都差不多，不同的就是因变量不同，如果是连续的，就是多重线性回归，如果是二项分布，就是logistic回归，如果是poisson分布，就是poisson回归，如果是负二项分布，就是负二项回归，等等。只要注意区分它们的因变量就可以了。 logistic回归的因变量可以是二分非线性差分方程类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释。所以实际中最为常用的就是二分类的logistic回归。

2. Logistic模型的介绍

logistic回归又称logistic回归分析，主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率，等等。例如，想探讨胃癌发生的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群肯定有不同的体征和生活方式等。这里的因变量就是是否胃癌，即“是”或“否”，为两分类变量，自变量就可以包括很多了，例如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。通过logistic回归分析，就可以大致了解到底哪些因素是胃癌的危险因素。

3. Logistic模型的用途

一、寻找危险因素，正如上面所说的寻找某一疾病的危险因素等。二、预测，如果已经建立了logistic回归模型，则可以根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大。三、判别，实际上跟预测有些类似，也是根据logistic模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。这是logistic回归最常用的三个用途，实际中的logistic回归用途是极为广泛的，logistic回归几乎已经成了流行病学和医学中最常用的分析方法，因为它与多重线性回归相比有很多的优势，这些优势将在以后的文章中一一介绍。本篇文章主要是先让大家对logistic回归有一个初步的了解，以后会对该方法进行详细的阐述。

4. 关于logit和logistic模型的区别

一、主体不同
1、logit模型：是离散选择法模型之一，Logit模型是最早的离散选择模型，也是目前应用最广的模型。
2、logistic模型：又称logistic回归分析，logistic回归的因变量可以是二分非线性差分方程类的，也可以是多分类的。
二、特点不同
1、logit模型：因变量不是常规的连续变量，而是对数发生比率，尽管每个自变量的估计系数含义与一般线性回归一样，数的经济学含义，较方便的做法是将Logit进行转换后再进行解释，而不是直接解释系数本身,即将回归模型等式两侧取自然指数。
2、logistic模型：如果已经建立了logistic回归模型，则可以根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大。


三、优势不同
1、logit模型：模型考察了对两种货币危机定义情况下发生货币危机的可能性，即利率调整引起的汇率大幅度贬值和货币的贬值幅度超过了以往的水平的情形，而以往的模型只考虑一种情况。
2、logistic模型：在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率等。

参考资料来源：百度百科-Logistic模型
参考资料来源：百度百科-Logit模型

5. 关于logit和logistic模型的区别

关于logit和logistic模型的区别貌似是个老生常谈的问题，学习之后稍微整理一下： （1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。 
（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。 
（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。 
（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。   
看到前面几个有关Logit回归的问题，给大家做点贡献吧。     
1，对于（0，1）的情况，SAS里面默认0在先。要么你编码的时候讲事件编为0，要么在回归的时候加上Descending的选项。  
2，结果一般用两张表。第一张就像一般的OLS回归，汇报系数的大小和符号（是的，Logit系数大小没有意义，符号表示影响的方向），系数是否为0的统计值，样本量（这个很重要，我看所有的文章里都有），最后就是模型的Fit。  
3，系数是否为零的检验，可以直接汇报SAS结果里面的P值，也可以根据开方值计算通常用的T值，你知道，开方的平方根就是近似的T值。注意，不要汇报开方，看起来很傻的。  4，拟合度方面，现在流行报告一个PseudoR2（有人叫假R2）。比较流行的就是McFadden1974的方法。很简单，用Log－Likelihood（SAS结果的－2 Log L）的Intercept Only除于InterceptAndCovariates再减去1就是假R2了。     
第一章表就结束了。因为Logit不是线性模型，系数大小没有意义，要解释每个变量到底在多大程度上影响自变量，就有了第二张表，就是要汇报概率相对于解释变量变化的变化，也就是DependentVar的Derivative，下次再说。

6. 关于logit和logistic模型的区别

　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。
　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。
　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。
　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

7. logit模型和logistic模型是不是一样的

关于logit和logistic模型的区别貌似是个老生常谈的问题，学习之后稍微整理一下： （1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。 
（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。 
（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。 
（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。   
看到前面几个有关Logit回归的问题，给大家做点贡献吧。     
1，对于（0，1）的情况，SAS里面默认0在先。要么你编码的时候讲事件编为0，要么在回归的时候加上Descending的选项。  
2，结果一般用两张表。第一张就像一般的OLS回归，汇报系数的大小和符号（是的，Logit系数大小没有意义，符号表示影响的方向），系数是否为0的统计值，样本量（这个很重要，我看所有的文章里都有），最后就是模型的Fit。  
3，系数是否为零的检验，可以直接汇报SAS结果里面的P值，也可以根据开方值计算通常用的T值，你知道，开方的平方根就是近似的T值。注意，不要汇报开方，看起来很傻的。  4，拟合度方面，现在流行报告一个PseudoR2（有人叫假R2）。比较流行的就是McFadden1974的方法。很简单，用Log－Likelihood（SAS结果的－2 Log L）的Intercept Only除于InterceptAndCovariates再减去1就是假R2了。     
第一章表就结束了。因为Logit不是线性模型，系数大小没有意义，要解释每个变量到底在多大程度上影响自变量，就有了第二张表，就是要汇报概率相对于解释变量变化的变化，也就是DependentVar的Derivative，下次再说。

8. 关于logit和logistic模型的区别

　　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。
　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。
　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。
　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。