sas logistic

#逻辑回归

通用回归模型：
logit(u)=a+bx;#u为均值#参考0，1二分类中u为发生概率
假设：分类变量的均值u构成的某一函数g(u)与解释变量具有直线关系#用qq图理解，把各自变量分布放在想x,y轴上呈现一条直线#常用的g(u)有各种形式，且g(u)称为联系函数。
*最大似然法#比最小二乘法理解，最小二乘法目标是最小化残差平方和，然后以矩阵的形式对w求导然后等于0求到w；最大似然法是在正态分布的假设情况下#所谓回归分析实则是glm的多因素方差分析，那么方差分析的假设条件是变量要满足正态分布和方差齐性，所以残差的分布应该也是正态分布的；#根据残差的正态分布拿出来一个残差的正态分布的概率密度函数#从直方图/频数/（频率/组距）去理解，所谓似然函数就是根据这个残差的概率密度函数maxF(x)，#实则是给定了x求改变W累计的概率密度下面的面积最大化#既然均值动不了，那就只能动方差，方差越小图形越凸起来，面积就越大#所以就变成找到w让方差最小，和残差平方和最小一个意思，那么和最小二乘法目标一致，结果一致。
*最大似然解释为给定X使Y出现的概率最大，实则从一维离散的角度看，直接把概率密度还原成直方图，那么给定x后，就是求x左边所有能取值的频数最大，那么这些x左边能取的这些值又只能从样本中抽，所以求w在给定x使Y出现概率最大实际意思就是找到一种抽取方法，使在样本中去抽那些在x左边的值抽到次数加起来最多。#倾向就是争取每次抽都能抽到的值都是x左边的。