应用logistic回归分析

章节摘录

版权页：   插图：   第7节 逐步logistic回归 逐步回归原则上可用于表3.3的交互作用分析，以检验使用大麻使用率的模型中是否适合加入交互变项。线性或logistic回归模型通常包括或删除某预测变量是根据计算器的算式程序，而不是直接由研究人士来决定的。因此，有些人不认同逐步方法是用于探索性研究的好方法（Agresti & Finlav，1997：527—534；Hosmer & Lemeshow，198：106）；其他人批评它一开始就忽略要研究的某些现象（Studenmtmd & Cassidy，1987）。我们在此不深入讨论逐步程序的争论，认为使用计算机控制选择变量的逐步程序不适用于理论检验，因为它利用数据的随机变化产生出来的结果往往是千变万化且难以在不同样本中重复得出相同的结果。 支持者则认为在两种情况下逐步程序是很有用的：纯粹预测和探索性研究。在纯粹预测研究中，由于不关注因果关系，只要确定含有一组预测变量的模型，就可以准确地预测某些现象。例如，大学招生办公室可能想知道哪些因素能精确地预测到高校成功与否，不是用于做理论的发展，而纯粹是为选择生源。探索性研究有可能关注到预测和解释一个现象的理论建构和发展，当这一现象是新现象时，又很少研究文献或“理论”。例如，沃福德、埃利奥特和梅纳德（Wofford，Elliott & Menard，1994）使用逐步程序的探索性研究。 沃福德等人研究家庭暴力的连续性，样本是从全国家庭中抽样18岁至27岁的青年男女。根据家庭暴力的文献，他们的研究分析包括了26个预测变量。作为研究的一部分，在1984年访问时，受访者报称，受害者或肇事者会在1987年接受重访，看看家庭暴力是否继续或自1984年就停止了。总共有108名妇女（原样本807）在1983年接受访问时称自己是家庭暴力的受害者，1986年又接受重访。沃福德等人建构了一个logistic回归模型，包括所有26个预测变量。因为在这方面的理论并不发达，加上个案数目相对于解释变量的数目较少，所以他们采用了逐步回归分析法。 逐步回归选用了向后淘汰法（backward elimination），而不是向前包括法（forward inclusion）。在某些情况下，变量可能呈显著性，因为另一个变量被控制或保持常数，这叫做抑制效应（suppressor）（Agresti & Finlay，1997：368）。向前包括法作为逐步回归的一个方法的缺点就是，抑制效应可能排除某些变量。但向后淘汰法都已包含两个变量，所以未能找到存在的关系的风险较低。线性回归的向后淘汰法和向前包括法会产生同样的结果，但当向后淘汰法发现向前包括法找不到的关系时，两个结果就会不同。

内容概要

作者:(美)梅纳德

书籍目录

序 第1章线性回归和应用logistic回归模型 第1节回归假设 第2节非线性关系和变量转换 第3节二分因变量的概率、发生比、优比和logistic转换 第4节logistic回归：导论 第2章评估logistic回归模型的统计概要 第1节R2，F和误差平方和 第2节拟合优度：GM，R2L和对数似然 第3节预测效率：λp，τp，φp和二项检验 第4节举例：评估loglstlc回归模式的充足性 第5节总结：评估loglstlc回归模型 第3章解释logistic回归系数 第1节logistic回归分析的统计显著性 第2节解释非标准化loglstlc回归系数 第3节实质意义和标准系数 第4节指数化系数或发生比数比 第5节分类预测变量：对比和解释 第6节交互作用 第7节逐步logistic回归 第4章诊断logistic回归的介绍 第1节设定误差 第2节共线性 第3节数值问题：零格数和完全分离 第4节残差分析 第5节过度分散和过度集中 第6节logistic回归诊断的规程 第5章多分类logisticc回归及其替代方法 第1节多分类名义因变量 第2节多分类或多项式定序因变量 第3节结论 附录 注释 参考文献 译名对照表

编辑推荐

《应用logistic回归分析(第2版)》更新了现今应用的计算机软件，同时深入地评论了不同的拟合优度（good ness off it）。梅纳德博士还提出令人信服的论据去说明□的优势，至少这能直接与OLS的□比较。

作者简介

《应用logistic回归分析(第2版)》介绍了线性回归模型是一个非常有效且重要的数据分析方法。《应用logistic回归分析(第2版)》全面解释了logistic回归模型的估计、解释和诊断结果，详细说明了多选项和不排序多分类因变量的问题，并更新了现今应用的计算机软件，深入评论了不同的拟合优度。作者还提出了令人信服的论据去说明R2L的优势，并增加了分组数据、预测效率和风险比等新内容。

图书封面

---

 应用logistic回归分析下载

---