逻辑斯谛回归

来自Positive WiKi
跳转到导航 跳转到搜索

[[Category:自2016年9月{{#if:|需要专家关注的页面|{{#if:2016-09-17T10:19:57+00:00|需要专业人士关注的页面|}}}}|㏰]][[Category:自2016年9月{{#if:|需要专家关注的页面|}}|㏰]][[Category:自2016年9月{{#if:|需要专家关注的页面|}}|㏰]]{{#ifeq:none|left|}}{{#if: 

 {{#ifeq:  | true
 | dontcat    
 }}{{#ifeq:  | no
 | dontcat
 }}{{#switch: ¬
 | yes
 | ¬   =   
 | #default = dontcat   
 }}{{#switch: 
 | no = 
   {{#switch:
 {{#if:
 | {{#if:{{#titleparts:|0|3}}
   | subsubpage    
   | {{#if:{{#titleparts:|0|2}}
     | subpage
     | basepage
     }}
   }}
 | {{#if:{{#titleparts:邏輯斯諦迴歸|0|3}}
   | subsubpage    
   | {{#if:{{#titleparts:邏輯斯諦迴歸|0|2}}
     | subpage
     | basepage
     }}
   }}
 }}

| basepage =

| subpage = dontcat

| subsubpage = dontcat

}} 

 | only = 
   {{#switch:
 {{#if:
 | {{#if:{{#titleparts:|0|3}}
   | subsubpage    
   | {{#if:{{#titleparts:|0|2}}
     | subpage
     | basepage
     }}
   }}
 | {{#if:{{#titleparts:邏輯斯諦迴歸|0|3}}
   | subsubpage    
   | {{#if:{{#titleparts:邏輯斯諦迴歸|0|2}}
     | subpage
     | basepage
     }}
   }}
 }}

| basepage = dontcat

| subpage = | subsubpage = }} 

 }}

| | 

 {{#switch:
   {{#ifeq:  | false
   |   
   | {{#ifeq:  | yes
     |   
     | {{#ifeq:  | yes
       |   
       | {{#if:x

| 


     {{#if:{{#titleparts:{{#if:|  | 邏輯斯諦迴歸 }}|0|2}}
     | 
        
          
            
              
                
                       
                 
               
             
           
         
       
     | 
             
       
     }}

}} 

       }}
     }}
   }}
 | hide = 
 | #default  = 
   {{#ifeq: h0#384!5nea+w9 |  {{#if:|{{#ifexist:Category:需要{{{1}}}专家关注的页面|[[Category:需要{{{1}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{2}}}专家关注的页面|[[Category:需要{{{2}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{3}}}专家关注的页面|[[Category:需要{{{3}}}专家关注的页面]]|}}}}|}}}}|}}|}} 
   | 
     {{#switch:
 {{#if: 
   | {{{demospace}}}
   | {{#ifeq:|
     | main
     | {{#ifeq:|talk
       | talk
       |  
       }}
     }} 
   }}

| main = {{#switch:{{#ifexpr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)| 

|{{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|Template:Error 

 |逻辑斯谛回归}}}}{{safesubst:#switch: no
|no
|n
|false
|f
|否
|0        = 
|         = 
|¬        = 
|yes
|y
|true
|t
|是
|1        = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} 

|#default = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} }}| MOS = | LTA = | NT = | NC = | #default = }} | talk = | user = | wikipedia = | image = | mediawiki = | template = | help = | category = | portal = | wikiproject = | other | #default = }} 

   | 
     {{#iferror: {{#expr: 1 + {{#switch:
 {{#if: 
   | {{{demospace}}}
   | {{#ifeq:|
     | main
     | {{#ifeq:|talk
       | talk
       |  
       }}
     }} 
   }}

| main = {{#switch:{{#ifexpr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)| 

|{{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|Template:Error 

 |邏輯斯諦迴歸}}}}{{safesubst:#switch: no
|no
|n
|false
|f
|否
|0        = 
|         = 
|¬        = 
|yes
|y
|true
|t
|是
|1        = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} 

|#default = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} }}| MOS = | LTA = | NT = | NC = | #default = {{#if:|{{#ifexist:Category:需要{{{1}}}专家关注的页面|[[Category:需要{{{1}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{2}}}专家关注的页面|[[Category:需要{{{2}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{3}}}专家关注的页面|[[Category:需要{{{3}}}专家关注的页面]]|}}}}|}}}}|}}|}}}} | talk = | user = | wikipedia = | image = | mediawiki = | template = | help = | category = | portal = | wikiproject = | other | #default = }} }} | {{#switch: 

 {{#if: 
   | {{{demospace}}}
   | {{#ifeq:|
     | main
     | {{#ifeq:|talk
       | talk
       |  
       }}
     }} 
   }}

| main = {{#switch:{{#ifexpr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)| 

|{{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|Template:Error 

 |邏輯斯諦迴歸}}}}{{safesubst:#switch: no
|no
|n
|false
|f
|否
|0        = 
|         = 
|¬        = 
|yes
|y
|true
|t
|是
|1        = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} 

|#default = _IN:_i2=_sublen3={{#expr:abs(-1)-1}}_j4=u_min=Template:Min_CORE:slen:27_i={{#if:}||{{#ifexpr:({{#if:{{#expr:abs(-1)-1}}|1|0}} and {{#if:|1|0}})|{{#expr:Template:Min-{{#expr:abs(-1)-1}}+{{#ifexpr:{{#expr:abs(-1)-1}}<0|-1|1}}}}|1}}}}_j=Template:Min_inv={{#ifexpr:{{#ifeq:{{#expr:abs(−1)−1}}||0|{{#expr:abs(−1)−1}}}}<0|yes|no}}_tchk={{#if:{{#if:|{{#if:{{#expr:abs(-1)-1}}|{{#if:|{{#ifexpr:((-+1)<>{{#expr:abs(-1)-1}}) and (*<>0)|Error using {{[[{{#switch: 
|#default = Str mid 
| = 
   {{#ifeq:  | 
     | Template:Str mid            
     | Str mid      
   }}

}}|Str mid]]{{#if:||{{{arg}}}}}}}: indexes i= and j= do not match requested substring length {{ safesubst:#if:1|{{#expr:abs(-1)-1}}}}}}|}}}}}}|TCHK|-}}_blankexpr:{{#expr:({{#if:{{#expr:abs(−1)−1}}|{{#expr:abs(−1)−1}}|1}}=0) or (27=0)}} }}| MOS = | LTA = | NT = | NC = | #default = {{#if:|{{#ifexist:Category:需要{{{1}}}专家关注的页面|[[Category:需要{{{1}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{2}}}专家关注的页面|[[Category:需要{{{2}}}专家关注的页面]]{{#if:|{{#ifexist:Category:需要{{{3}}}专家关注的页面|[[Category:需要{{{3}}}专家关注的页面]]|}}}}|}}}}|}}|}}}} | talk = | user = | wikipedia = | image = | mediawiki = | template = | help = | category = | portal = | wikiproject = | other | #default = }} | }} 

   }}
 }}

}}

逻辑斯谛回归（英语：Logistic regression，又译作逻辑斯谛斯回归、罗吉斯回归、逻辑斯谛斯谛回归、对数几率回归），在统计学中是一种对数几率模型（英语：Logit model，又译作逻辑斯谛模型、评定模型、分类评定模型），是离散选择法模型之一，属于多元变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

通过使事件的对数发生率（log-odd）成为一个或多个自变量的线性组合，对事件发生的概率进行建模。形式上，在二元逻辑回归中，有一个二元因变量，由指示变量编码，其中两个值标记为“0”和“1”，而自变量每个都可以是二元变量（两个类，由指示变量）或连续变量（任何实值）。标记为“1”的值的相应概率可以在0和1之间变化；将对数发生率转换为概率的函数就是逻辑斯谛函数，因此得名。对数发生率单位称为logit，来自logistic unit。<ref>Hosmer, David W.; Lemeshow, Stanley. Applied logistic regression. Wiley series in probability and statistics 2. ed., [Nachdr.] New York: Wiley. 200. ISBN 978-0-471-35632-5.  缺少或|title=为空 (帮助)</ref>

二元变量在统计学中广泛用于对某一类别或事件发生概率的建模，例如团队获胜概率、患者健康概率等，而其中，逻辑模型则自大约 1970年以来最常用的二元回归模型。<ref>Cramer, J.S. The Origins of Logistic Regression. SSRN Electronic Journal. 2003. ISSN 1556-5068. doi:10.2139/ssrn.360300 （English）. </ref>当存在两个以上可能值（例如图像是否是猫、狗、狮子等）时，二元变量可以推广为分类变量，并且二元逻辑回归推广为多项逻辑回归。如果多个类别是有序的，则可以使用序数逻辑回归。逻辑回归模型本身只是简单地根据输入对输出概率进行建模，并不执行统计分类。<ref>Walker, Strother H.; Duncan, David B. Estimation of the Probability of an Event as a Function of Several Independent Variables. Biometrika. 1967-06, 54 (1/2). doi:10.2307/2333860. </ref>

例子[编辑 | 编辑源代码]

以一个例子说明逻辑回归如何解决实际问题：

一个小组20名学生，各自花费0~6小时准备考试，他们不同的学习时数如何影响通过考试的概率？

问题中的因变量是考试“通过”或者“挂科”，这是用逻辑回归的原因，虽然分别用“1”和“0”表示，但这两个数字不代表基数。如果问题发生变化，用0-100的成绩（基数）代替通过、挂科，则可以使用回归分析。

下表显示每个学生花费在学习上的小时数，以及他们通过（1）或挂科（0）。

小时（xk） 0.50 0.75 1.00 1.25 1.50 1.75 1.75 2.00 2.25 2.50 2.75 3.00 3.25 3.50 4.00 4.25 4.50 4.75 5.00 5.50
通过（yk） 0 0 0 0 0 0 1 0 1 0 1 0 1 0 1 1 1 1 1 1

对学习时间（xk）和测试结果（yk = 1 表示通过，0 表示挂科）组成的数据进行拟合。数据点由下标k索引，该下标从1到20。x变量称为“自变量”，y变量称为“分类变量”，由“通过”或“失败”两个类别组成，分别对应于分类值1和0。

模型[编辑 | 编辑源代码]

File:Exam pass logistic curve.svg
拟合xm，ym数据的逻辑回归曲线图。该曲线显示了通过考试的概率与学习时间的关系
统计学系列条目
回归分析
File:Linear regression.svg
模型
估计
背景

逻辑函数形式为：

<math>p(x)=\frac{1}{1+e^{-(x-\mu)/s}}</math>

其中μ是位置参数（曲线的中点，其中<math>p(\mu)=1/2</math>），s是尺度参数。该式可重写为：

<math>p(x)=\frac{1}{1+e^{-(\beta_0+\beta_1 x)}}</math>

<math>\beta_0 = -\mu/s</math>称为截距，是直线<math>y = \beta_0+\beta_1 x</math>的y截距。<math>\beta_1= 1/s</math>是反比例参数或速率参数，是作为"x"函数的对数发生率的"y"截距和斜率。反之，<math>\mu=-\beta_0/\beta_1</math>，并且<math>s=1/\beta_1</math>。

逻辑斯谛分布公式[编辑 | 编辑源代码]

File:Logistisch.svg
逻辑斯谛分布函数图像
<math> P(Y=1 | X=x) = \frac{ e^{x'\beta} }{1+ e^{x'\beta}}.</math>

其中参数<math>\beta</math>常用最大似然估计。

IIA假设[编辑 | 编辑源代码]

全名为Independent and irrelevant alternatives假设，也称作IIA效应，指Logit模型中的各个可选项是独立的。

IIA假设示例[编辑 | 编辑源代码]

市场上有A，B，C三个商品相互竞争，分别占有市场份额：60%，30%和10%，三者比例为：6:3:1

一个新产品D引入市场，有能力占有20%的市场——

如果满足IIA假设，各个产品独立作用，互不关联：新产品D占有20%的市场份额，剩下的80%在A、B、C之间按照6:3:1的比例瓜分，分别占有48%，24%和8%。

如果不满足IIA假设，比如新产品D跟产品B相似度高，则新产品D的CP值高而夺去产品B的部分市场(总份额的20%)，则产品B剩余10%，而产品A和C的市场份额保持60%和10%不变。

满足IIA假设的优点[编辑 | 编辑源代码]

  • 可以获得每个个性化的选择集合的一致的参数估计
  • 各个类别的子集的一般化的估计
  • 大大节省时间
  • 可选项数目很多的时候尤其如此

IIA假设的检验[编辑 | 编辑源代码]

Hausman检验[编辑 | 编辑源代码]

杰里·A·奥斯曼和丹尼尔·麦克法登提出的。

一般化模型的检验[编辑 | 编辑源代码]

IIA问题的解决方法[编辑 | 编辑源代码]

机器学习与数据挖掘
File:Multi-Layer Neural Network-Vector-Blank.svg
范式
问题
<div style="padding:0.1em 0;line-height:1.2em;{{#if:|监督学习
(分类 · 回归) }}">{{#if:|{{{2}}}|监督学习
(分类 · 回归) }}
聚类分析
降维
[[:{{#if:结构预测|结构预测|Structured prediction}}|{{#if:结构预测|结构预测|Structured prediction}}]]（英语：Structured prediction）
异常检测
  • RANSAC
  • k-NN
  • [[:{{#if:局部异常因子|局部异常因子|Local outlier factor}}|{{#if:局部异常因子|局部异常因子|Local outlier factor}}]]（英语：Local outlier factor）
  • [[:{{#if:||Isolation forest}}|孤立森林]]（英语：Isolation forest）
人工神经网络
强化学习
与人类学习
模型诊断
数学基础
  • [[:{{#if:内核机器|内核机器|Kernel machines}}|{{#if:内核机器|内核机器|Kernel machines}}]]（英语：Kernel machines）
  • [[:{{#if:偏差–方差困境|偏差–方差困境|Bias–variance tradeoff}}|{{#if:偏差–方差困境|偏差–方差困境|Bias–variance tradeoff}}]]（英语：Bias–variance tradeoff）
  • [[:{{#if:计算学习理论|计算学习理论|Computational learning theory}}|{{#if:计算学习理论|计算学习理论|Computational learning theory}}]]（英语：Computational learning theory）
  • 经验风险最小化
  • [[:{{#if:||Occam learning}}|奥卡姆学习]]（英语：Occam learning）
  • [[:{{#if:概率近似正确学习|概率近似正确学习|Probably approximately correct learning}}|PAC学习]]（英语：Probably approximately correct learning）
  • 统计学习
  • VC理论
大会与出版物
相关条目
  • [[:{{#if:人工智能术语|人工智能术语|Glossary of artificial intelligence}}|{{#if:人工智能术语|人工智能术语|Glossary of artificial intelligence}}]]（英语：Glossary of artificial intelligence）
  • [[:{{#if:机器学习研究数据集列表|机器学习研究数据集列表|List of datasets for machine-learning research}}|{{#if:机器学习研究数据集列表|机器学习研究数据集列表|List of datasets for machine-learning research}}]]（英语：List of datasets for machine-learning research）
  • [[:{{#if:机器学习概要|机器学习概要|Outline of machine learning}}|{{#if:机器学习概要|机器学习概要|Outline of machine learning}}]]（英语：Outline of machine learning）

多项式Probit模型[编辑 | 编辑源代码]

一般化极值模型[编辑 | 编辑源代码]

可以将可选项间的相关性建模

巢式Logit模型[编辑 | 编辑源代码]

巢式（Nested）表示可选项被分作不同的组，组与组之间不相关，组内的可选项相关，相关程度用1-λg来表示（1-λg越大，相关程度越高）

对偶组合Logit模型[编辑 | 编辑源代码]
一般化分簇Logit模型[编辑 | 编辑源代码]

混合Logit模型[编辑 | 编辑源代码]

应用[编辑 | 编辑源代码]

配体结合分析[编辑 | 编辑源代码]

配体结合分析的典型校准曲线是S形的，下边界（渐近线）靠近背景信号（非特异性结合），而上渐近线靠近最大的饱和响应。 四参数逻辑模型通常是拟合这种形状校准曲线的首选，可以准确描述测量信号值与分析物浓度之间的S形关系。当不对称性明显时会添加第五个参数，但可能会导致拟合算法变得不稳定。<ref>Findlay, John W. A.; Dillard, Robert F. Appropriate calibration curve fitting in ligand binding assays. The AAPS Journal. 2007-06, 9 (2). ISSN 1550-7416. doi:10.1208/aapsj0902029. </ref>

二类评定模型（Binary Logit Model）[编辑 | 编辑源代码]

  • 仅有两个可选项：V1n，V2n
变量类型 统计量 组别比较 回归模型
numerical mean t-test/ANOVA 线性回归
categorical percentage Chi-square test 逻辑斯谛回归
persontime KM estimates
(survival curves) 		Log-rank test 比例风险回归

参考书目[编辑 | 编辑源代码]

1 }} 
     | references-column-width 
     | references-column-count references-column-count-{{#if:1|{{{1}}}}} }}
   | {{#if: 
     | references-column-width }} }}" style="{{#if: 
   | {{#iferror: {{#ifexpr: 1 > 1 }}
     | -moz-column-width: {{#if:1|{{{1}}}}}; -webkit-column-width: {{#if:1|{{{1}}}}}; column-width: {{#if:1|{{{1}}}}};
     | -moz-column-count: {{#if:1|{{{1}}}}}; -webkit-column-count: {{#if:1|{{{1}}}}}; column-count: {{#if:1|{{{1}}}}}; }}
   | {{#if: 
     | -moz-column-width: {{{colwidth}}}; -webkit-column-width: {{{colwidth}}}; column-width: {{{colwidth}}}; }} }}">{{#if:
|
}}{{#if: |
}}
  • Agresti, Alan: Categorical Data Analysis. New York: Wiley, 1990.
  • Amemiya, T., 1985, Advanced Econometrics，Harvard University Press.
  • Hosmer, D. W. and S. Lemeshow: Applied logistic regression. New York; Chichester, Wiley, 2000.

参见[编辑 | 编辑源代码]

外部链接[编辑 | 编辑源代码]

描述统计学
推论统计学
和假设检验
{{#if:推论统计学|}}
{{#if:实验设计|}}
{{#if:样本量（英语：Sample size）|
样本量（英语：Sample size）
}}
{{#if:常规估计|
常规估计
}}
{{#if:假设检验|}}
{{#if:生存分析|}}
相关及
回归分析
{{#if:相关性|
相关性
}}
{{#if:线性回归|}}
{{#if:非线性回归|}}
统计图形
其他

参考[编辑 | 编辑源代码]

取自“https://positive.wiki/index.php?title=邏輯斯諦迴歸&oldid=133”