多项logistic回归系数解释_Logistic回归结果的回归系数和OR值解读

Logistic回归结果的回归系数和OR值解读。Logistic回归虽然名字叫”回归” ，但却是一种分类学习方法。使用场景大概有两个：第一用来预测，第二寻找因变量的影响因素。

一 从线性回归到Logistic回归

线性回归和Logistic回归都是广义线性模型的特例。

假设有一个因变量y和一组自变量x1, x2, x3, ... , xn，其中y为连续变量，我们可以拟合一个线性方程：

y =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

并通过最小二乘法估计各个β系数的值。

如果y为二分类变量，只能取值0或1，那么线性回归方程就会遇到困难: 方程右侧是一个连续的值，取值为负无穷到正无穷，而左侧只能取值[0,1]，无法对应。为了继续使用线性回归的思想，统计学家想到了一个变换方法，就是将方程右边的取值变换为[0,1]。最后选中了Logistic函数：

y = 1 / (1+e-x)

这是一个S型函数，值域为(0,1)，能将任何数值映射到(0,1)，且具有无限阶可导等优良数学性质。

我们将线性回归方程改写为：

y = 1 / (1+e-z),

其中，z =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

此时方程两边的取值都在0和1之间。

进一步数学变换，可以写为：

Ln(y/(1-y)) =β0+β1*x1+β2*x2+β3*x3+...+βn*xn

Ln(y/(1-y))称为Logit变换。我们再将y视为y取值为1的概率p(y=1)，因此，1-y就是y取值为0的概率p(y=0)，所以上式改写为：

p(y=1) = ez/(1+ez),

p(y=0) = 1/(1+ez),

其中，z =β0+β1*x1+β2*x2+β3*x3+...+βn*xn.

接下来就可以使用”最大似然法”估计出各个系数β。

二 odds与OR复习

<