sas学习之逻辑回归
对于因变量是连续变量，线性回归模型能够处理此类问题，但对于因变量是分类变量情况，线性回归就不适用。在许多社会科学和商业分析中，需要研究的变量都是分类变量而不是连续变量。比如，商业银行研究客户是否违约，因变量选项只有“是”和“否”。这个时候，逻辑回归能够很好的进行模型拟合。具体代码如下：
proc logistic data=german; class status history; model score(event="1")=status duration history savings age /selection=stepwise; run;
其中，class语句是申明分类变量，生成虚拟变量，model语句中selection是选择回归的方法，包括向前回归、向后回归和逐步回归。一般情况下，选择逐步回归会比较合适。
结果如下：
上图输出的是拟合优度评价，一般采用AIC和SC准则。这两个准则只适用于同一数据不同模型之间的比较，模型的AIC或者SC取值越小说明模型拟合得越好。
这张图显示的是预测的准确性评价，主要看指标c。在这里，c=0.824，表示观察到事件发生的观测的预测概率值比观察到事件未发生的观测的预测概率值更大的可能性为0.824，是表示模型区分度的指标。一般来说，值越高越好。
以上就是我今天想要分享的内容~
如有数据分析需求，请联系微信号：kexiblue
还没人赞这篇日记
