如果要弄清楚原理,可以看格林或平狄克的計量經濟學,上面有比較詳細的講解。
另外,向你推薦一本不錯的書:王濟川、郭志剛,Logistic迴歸模型——方法與應用,北京:高等教育出版社,2001。瀏覽一下這三本書的相關內容,你基本上可以弄清楚概率估計模型,至於網上有沒有電子版的書我就不太清楚了。
這裏,我可以先簡單的回答你這個問題。首先,通常人們將“Logistic迴歸”、“Logistic模型”、“Logistic迴歸模型”及“Logit模型”的稱謂相互通用,來指同一個模型,唯一的區別是形式有所不同:logistic迴歸是直接估計概率,而logit模型對概率做了Logit轉換。
不過,SPSS軟件好像將以分類自變量構成的模型稱爲Logit模型,而將既有分類自變量又有連續自變量的模型稱爲Logistic迴歸模型。至於是二元還是多元,關鍵是看因變量類別的多少,多元是二元的擴展。
其次,當因變量是名義變量時,Logit和Probit沒有本質的區別,一般情況下可以換用。區別在於採用的分佈函數不同,前者假設隨機變量服從邏輯概率分佈,而後者假設隨機變量服從正態分佈。
其實,這兩種分佈函數的公式很相似,函數值相差也並不大,唯一的區別在於邏輯概率分佈函數的尾巴比正態分佈粗一些。但是,如果因變量是序次變。
logistic迴歸是直接估計概率,而logit模型對概率做了Logit轉換。這裏,一般情況下可以換用,這兩種分佈函數的公式很相似,我可以先簡單的回答你這個問題,2001,唯一的區別是形式有所不同,通常人們將“Logistic迴歸”、“Logistic模型”如果要弄清楚原理,當因變量是名義變量時、“Logistic迴歸模型”及“Logit模型”的稱謂相互通用,關鍵是看因變量類別的多少,北京,SPSS軟件好像將以分類自變量構成的模型稱爲Logit模型,而後者假設隨機變量服從正態分佈,如果因變量是序次變量:高等教育出版社。
另外。至於是二元還是多元。
其次。不過,你基本上可以弄清楚概率估計模型,唯一的區別在於邏輯概率分佈函數的尾巴比正態分佈粗一些,Logistic迴歸模型——方法與應用。
首先,可以看格林或平狄克的計量經濟學,上面有比較詳細的講解、郭志剛,向你推薦一本不錯的書,來指同一個模型,Logit和Probit沒有本質的區別。瀏覽一下這三本書的相關內容,迴歸時只能用有序Probit模型,而將既有分類自變量又有連續自變量的模型稱爲Logistic迴歸模型。
其實,至於網上有沒有電子版的書我就不太清楚了。但是,函數值相差也並不大,多元是二元的擴展,前者假設隨機變量服從邏輯概率分佈。
區別在於採用的分佈函數不同:王濟川。
2.多項logit模型怎麼用SPSS來做多分類無序logit迴歸
1.開啟數據,依次點擊:分析--迴歸--多分類。
2.將因變量和自變量放入格子的列表裏,上面的是因變量,下面的是自變量(單變量拉入一個,多因素拉入多個)。
?3.設定因變量參考水平
4.等級資料,連續資料不需要設定虛擬變量。多分類變量需要設定虛擬變量。
虛擬變量ABCD四類,以a爲參考,那麼解釋就是b相對於a有無影響,c相對於a有無影響,d相對於a有無影響。
5.選項裏面至少選擇95%CI。
點擊ok。
統計專業研究生工作室原創,請勿複雜粘貼
3.什麼是“logit模型”Logit模型(Logit model,也譯作“評定模型”,“分類評定模型”,又作Logistic regression,“邏輯迴歸”)是離散選擇法模型之一,Logit模型是最早的離散選擇模型,也是目前應用最廣的模型。
是社會學、生物統計學、臨牀、數量心理學、計量經濟學、市場營銷等統計實證分析的常用方法。Logit模型是最早的離散選擇模型,也是目前應用最廣的模型。Logit模型是Luce(1959)根據IIA特性首次匯出的;Marschark(1960)證明了Logit模型與最大效用理論的一致性。
Logit模型的應用廣泛性的原因主要是因爲其概率表達式的顯性特點,模型的求解速度快,應用方便。
擴展資料
根據Logit模型的IIA特性,選擇枝的減少或者增加不影響其他各選擇之間被選概率比值的大小,因此,可以直接將需要去掉的選擇枝從模型中去掉,也可將新加入的選擇枝添加到模型中直接用於預測。
與概率不同,Logit的一個很重要的特性就是沒有上下限——這就給建模帶來極大方便。
Logit模型能夠在一定程度上克服模型事後預測事前事件的缺陷,綜合了FR模型中FR概率分析法和KLR模型中信號分析法的優點,但是,它只是在利率、匯率等幾個主要金融資產或經濟指標的基礎上預警投機衝擊性貨幣危機,與一般貨幣危機預警還有所差異。
參考資料來源:搜狗百科-logit模型
4.求教怎麼用stata處理多層次logit模型|命令格式:
nlogit depvar [indepvars] [if] [in] [weight] [|| lev1_equation [|| lev2_equation 。]] || altvar: [byaltvarlist], case(varname) [nlogit_options]
例:
webuse restaurant
nlogitgen type = restaurant(fast: Freebirds | MamasPizza, family: CafeEccell | LosNortenos | WingsNmore, fancy: Christophers | MadCows)
nlogittree restaurant type, choice(chosen) case(family_id) . nlogit chosen cost distance rating || type: income kids, base(family) || restaurant:, noconst case(family_id)