gis

Wald用于对B值进行检验，考察B值是否等于0。若B值等于0，其对应的OR【Exp(B)】为1，表明两组没有显著差异。

不是，wald是chi square值，越大，结合自由度的情况，才能表示越显著

问的太草率，没有办法回答你。概要说来就是信息表，即存储地图信息的表。可能是空间信息，或者属性信息。建议把文本粘贴上来看看。

你需要重装或者修复（repair）你的ArcGIS Engine 和 ArcObjects SDK for .net FrameWork；如果你成功安装了ArcGIS Engine 和 ArcObjects SDK for .net FrameWork，vs的工具箱里会自带ArcGIS Engine的可视化的控件的；这是我这边vs的截图，AE10.1+VS2010：另外，添加亦可以利用“Add ArcGIS Reference”;希望我的回答能够帮到你，祝学习开心、进步！

首先用3danalyst里面的reclassify工具进行重分类，定义每类的区间，比如0-10为1类，11-20为第2类，21-30为第3类??确定之后会生成一个新的栅格图层。在这个新的栅格图上右键-浏览属性表就可以看到每一类像元值的个数了。

　　ArcGIS for Android开发环境配置相对而言比较复杂，但是对于熟悉java开发，或者有ArcGIS for java开发经验的朋友来说还是比较简单的，主要包括如下几个方面：　　前题：　　Eclipse IDE 要求　　1、 The Android Development Tools (ADT) Plug-In for Eclipse 插件　　2、 The ArcGIS API for Android Eclipse Plug-In for Eclipse 插件(该插件目前只支持　　Eclipse3.5(Galileo)和Eclipse3.6(Helios))　　3、ADT 安装之前需要安装Eclipse Javadevelopment tools（JDT）插件　　4、Java development kit (JDK) 6　　支持的Android SDK 平台　　SDK Platform Android 2.1，API 7以上　　支持的Server 版本和平台　　ArcGIS API for Android 支持ArcGIS Server 9.3.1 和10.0 的服务　　一、安装JDK、Tomcat（如果不用Tomcat作为服务器，则可不需要装）　　注：这里介绍的是绿色版的JDK,Tomcat安装方法，如果下载的是安装包则可以直接安装，不需要进行复杂的配置，所以对于不熟悉java编程环境配置的朋友来说，可以使用这种方法安装　　1.把jdk放在C:Program Files目录下:　　1)在环境变量Path前面添加　　C:Program Filesjdk1.6.0_10in;　　2）添加环境变量JAVA_HOME　　值为 C:Program Filesjdk1.6.0_10　　2.把tomcat安装在C:Program Files目录下:　　1）添加环境变量classpath　　值为.;C:Program Filesjdk1.6.0_10jrelib;C:Program Filesjdk1.6.0_10lib ools.jar; C:Program Filesjdk1.6.0_10libdt.jar;C:Program FilesApache Software FoundationTomcat 6.0inootstrap.jar　　2)添加环境变量TOMCAT_HOME　　值C:Program FilesApache Software FoundationTomcat 6.0　　3)添加环境变量CATALINA_HOME　　值C:Program FilesApache Software FoundationTomcat 6.0　　4)添加环境变量CATALINA_BASE　　值C:Program FilesApache Software FoundationTomcat 6.0　　验证Tomcat是否安装成功：　　1)启动Tomcat；　　2)在Ie浏览器中敲入http，//localhost，8080/,出来Tomcat首页，说明Tomcat安装成功；　　二、下载Eclipse　　如果你还没有Eclipse的话，可以去：http，//www，eclipse，org/downloads/下载Eclipse IDE for Java Developers（92M）的win 32bit版或者其他版本：　　解压之后即可使用。　　三、安装AndroidSDK　　首先到Android Developers官网下载AndroidSDK解压到任何文件夹下，　　运行SDK Setup.exe，点击Available Packages。如果没有出现可安装的包，请点击Settings，选中Misc中的"Force https，//..."这项，再点击Available Packages 。　　选择希望安装的SDK及其文档或者其它包，点击Installation Selected、Accept All、Install Accepted，开始下载安装所选包 （注：这里下载包需要很长时间，您可以直接拷贝被人下载好的AndroidSDK的文件，同样只要设置好环境变量就可以用了）　　在环境变量中新建PATH值为：Android SDK中的tools和platform-tools的绝对路径（本机为D:AndroidDevelopandroid-sdk-windows ools;D:AndroidDevelopandroid-sdk-windowsplatform-tools）。　　“确定”后，重新启动计算机。重启计算机以后，进入cmd命令窗口，检查SDK是不是安装成功。　　运行 android –h 如果有类似以下的输出，表明安装成功：　　四、ADT安装　　打开 Eclipse IDE，进入菜单中的 "Help" -> "Install New Software"　　点击Add...按钮，弹出对话框要求输入Name和Location：Name自己随便取，Location输入http://dl-ssl.google.com/android/eclipse。如下图所示：　　确定返回后，在work with后的下拉列表中选择我们刚才添加的ADT，我们会看到下面出有Developer Tools，展开它会有Android DDMS和Android Development Tool，勾选他们。 如下图所示：　　然后就是按提示一步一步next。　　完成之后：　　选择Window > Preferences...　　在左边的面板选择Android，然后在右侧点击Browse...并选中SDK路径，本机为：　　D:AndroidDevelopandroid-sdk-windows　　点击Apply、OK　　五、配置虚拟设备　　下载完成对应Android 平台，然后创建一个新的虚拟设备。如下图　　此时，Eclipse下Android 开发插件已经配置完成，我们可以开始配置ArcGIS API For　　Android 开发插件。　　六、安装ArcGIS插件　　现在Android 的开发环境已经具备，后面就需要安装ArcGIS开发相关的库和Eclipse插件了。在此之前，请确认您已经下载了Android 2.1 或2.1 的平台，因为这是ArcGIS Android API的系统需求1。　　Esri 提供了一个在线升级地址（http，//downloads，esri，com/software/arcgis/android）来帮助用户安装ArcGIS 的开发插件，在Eclipse 中，还是通过【Help】->【Install New Software…】菜单就可以顺利地安装上这些组件：　　当 ArcGIS开发插件安装完成后，在新建工程的选项中就可以看到【ArcGIS Project for Android】和【ArcGIS Samples for Android】的菜单，ArcGIS Android API的开发环境就顺利配置完成了。

UCMap for Android是当前主流的移动GIS开发组件，拥有业界最快的地图显示性能，依托庞大的接口体系为开发者提供强大且丰富的定制功能，UCMap for Android从2009年第一版推出至今，经历了多次的版本升级，其稳定性得到众多实际项目的检验，在GIS各行业得到广泛应用，例如，土地确权、国土监察、电力踏勘、林业调查、林业消防、管线巡检、部件采集、城市管理、房产测绘、农业测图配方、单兵通、航迹管理、室内导航、智慧景区、公安应急等1、数据格式 UCMap for Android支持通用的矢量地图格式SHP，支持各种遥感影像格式Geotiff、Img、BMP、JPG、PNG等，同时还支持离线的Google地图和影像，或者自定义瓦片图；2、数据加密地图数据是重要的保密信息，为了在数据丢失或未授权的情况下，外界无法解读出数据本身的内容，这就要求数据以密文的形式存在；为此，UCMap for Android支持地图数据的加密，经过加密的地图是以密文的形式存在，只有输入正确的口令才能解密；3、数据更新地图数据是有现势性的，即经过一段时间，由于地理自然环境的变化，地图数据也应及时更新，这样才能让地图数据更加准确地反映现实情况，所以，地图数据的更新就显得尤为重要；UCMap for Android不但支持离线地图，同时也支持地图在线更新，即可以在线更新替换整个地图数据，也可以更新替换地图中的某些图层；4、符号化地图是将地理数据通过符号化的方式予以展现的，UCMap for Android除了支持常规预定义的点、线、面符号外，还支持自定义的SVG矢量符号，用户可以自定义各种矢量符号来渲染地图，实现地图强大的直观表现力；5、地图显示地图是由各个专题的图层叠加而成，图层的性质有两种，即矢量图层和影像图层，在坐标一致的前提下，可以将影像图层作为背景图，将矢量图层叠加在影像图层之上；UCMap for Android拥有业界最高的地图浏览性能，支持矢量图和影像图叠加显示，支持地图的缩小、放大、平移、双指旋转，支持滑动的动画效果，支持地图比例尺&指北针等小部件；6、地图与图层管理装载地图、设置获取地图范围、设置获取地图比例尺、设置获取地图单位、获取地图图层，添加图层、删除图层、调整图层顺序、修改图层标注字段、修改图层样式、查询图层等；7、地图查询地图查询分属性查询和空间查询，属性查询是以地图要素的某些属性值为条件进行SQL查询，查询返回要素的属性或几何信息；空间查询是以地图要素之间的空间拓扑关系为条件进行扩展型的SQL查询；UCMap for Android支持各种类型的SQL查询，尤其是空间查询，能覆盖要素之间各种空间拓扑关系，如Disjoint、Touches、Crosses、Within、Overlaps、Contains、Intersects、Equals、DWithin等空间谓词；8、要素编辑一个要素对应数据库表中的一条记录，记录里有属性字段和几何字段，所谓编辑就是对这些属性字段和几何字段进行增加、删除、修改等动作，于是，添加要素、删除要素、更新要素、导出shp是UCMap for Android最基础的功能；为了适应移动端手指或触笔来编辑几何图形，UCMap for Android设计了人性化的编辑交互模式，如点选或框选要素、捕捉节点、移动节点、添加节点、删除节点、移动要素、编辑动作的RedoUndo（可以无数次）、信息查询info等；UCMap for Android还提供了更高级的编辑，如线或图斑的裁剪、合并等拓扑编辑；针对测量成图的需求，还提供了根据测图过程中测得的长度和角度自动绘制图形的功能；9、专题图渲染UCMap for Android支持多种专题图渲染，根据所给定的属性条件，可定制各种专题渲染，甚至可以隐藏图层中的要素；10、坐标系转换UCMap for Android支持2个任意投影类型之间的坐标转换，支持四参数、七参数坐标转换；11、地图量算UCMap for Android支持地图测距、测面积、测角度；12、定位监控和轨迹显示UCMap for Android能实时对若干监控点进行实时显示并快速刷新，能查询并绘制某个监控点的历史轨迹；13、地图标注UCMap for Android提供了一个特殊的图层，即装饰图层，用户可以在这个图层上对地图进行标绘，下面要重点介绍的地图标绘就绘制在这个图层上，除了能标绘军标以外，还能绘制矩形、直线、圆、椭圆、路径、文字等；14、等值线绘制UCMap for Android支持对离散高程点（或气象点）进行插值，并生成高程等值线或气象等值线图；15、路径规划与导航UCMap for Android支持特定场所的简单道路的路径规划，例如，室内地图、景区地图、港口码头等特定场所的路径规划；16、地图标绘针对军事作战、应急等行业，协同标绘是其基本需求，UCMap for Android是支持矢量标绘，能对标绘的符号进行组合、拆分、移动、缩放、拉伸、旋转等等操作；标绘是在装饰图层上进行的，一个标绘就是一个装饰对象，装饰对象可以是任意的SVG符号，也可以是预定义的图形；对于测绘行业，地图标绘也为测绘草图的绘制提供了完美的解决方案；17、集成功能UCMapfor Android还可以将手机拍照、录音、录像、GPS定位等功能集成在一起，在地图上记录这些多媒体信息采集的时空信息； UCMapfor Android为开发人员提供了强大的GIS基础平台，用户根据自身项目的需求、通过二次开发来实现所需要的应用产品；UCMap接口庞大、结合本人近几年移动GIS开发经验，以上只是UCMap基础功能的节略，更深入细致的使用还需要开发者阅读UCMap的开发教程和API文档！

Billing address，即信用卡账单，要求提供Billing Address往往是为了验证信用卡使用者是否为持有者本人，所以通常Billing Address信用卡账单应该和Shipping address寄送是一致的，但也有部分购物网站接受不同的Shipping Address，也。

比如有一个圆C和一个正方形H，当然假定C比H小，且在H里面现在用Erase的话，如果你处理的对象是H,你就会添加C去Erase（擦除）它，这样H就会出现一个洞，当然这个洞和C一样大。如果用CLIP的话，结果就是一个和C一样大小的文件，当然，这个文件的前身是H

Clip，顾名思义，即裁剪。进行多边形叠合时，输出层为按一个图层的边界，对另一个图层的内容要素进行截取后的结果。打开Editer工具，编辑要素，先画一个图形。画好图形后，在这个画好的图形里面再画一个图形（被第一个图形包含）。点击Editer-->Clip，根据喜好，设置Buffer Distance参数，点击OK。clip工具是在->Data Management Tools->Raster ->Raster Processing->Cliparcgis的工具帮助中表述为“Creates a spatial subset of a raster， including a raster dataset， mosaic dataset， or image service layer.”（创建栅格数据的一部分，支持栅格数据集、镶嵌数据集合影像服务图层）。使用clip工具裁剪时，需要选中下图中的红框选项，如果不选，裁剪出来的不是按照矢量边界而是矢量的**最小外接矩形。

Clip，顾名思义，即裁剪。进行多边形叠合时，输出层为按一个图层的边界，对另一个图层的内容要素进行截取后的结果。打开Editer工具，编辑要素，先画一个图形。画好图形后，在这个画好的图形里面再画一个图形（被第一个图形包含）。点击Editer-->Clip，根据喜好，设置Buffer Distance参数，点击OK。clip工具是在->Data Management Tools->Raster ->Raster Processing->Cliparcgis的工具帮助中表述为“Creates a spatial subset of a raster， including a raster dataset， mosaic dataset， or image service layer.”（创建栅格数据的一部分，支持栅格数据集、镶嵌数据集合影像服务图层）。使用clip工具裁剪时，需要选中下图中的红框选项，如果不选，裁剪出来的不是按照矢量边界而是矢量的**最小外接矩形。

这个错误产生的原因：是在我们销毁广播的时候会产生的这个错误:翻译后的意思是 广播接收者（这个接收者可以注册可以接收指定action的广播）未注册。 销毁的广播真的没有注册(registerReceiver()) 我们就进行了 销毁:unregisterReceiver（） 我们注册了时的 receiver和销毁的receiver不是同一个对象 当然也会出现上面的问题。 我们注册和销毁的是同一个广播接收者（BroadcastReceiver）也会出现上面的问题 这个时候我们的解决办法是 加一个标识 如 注册后 把一个boolean 值置为true 然后我们判断这个boolean 值如果为true的话再销毁广播接收者。 不明白为什么要加个标识才能注销广播 ，有知道的可以告诉我一下哈，我明明确确的 注册了广播再注销广播竟然会出现 Receiver not registered 错误......

公司注册编号

找本英文教材，或就是你老外教的那本，书末有名词索引，翻开自己查

dermatologist solutions皮肤科医生的解决方案.___________________________很高兴为你解答！如有不懂，请追问。 谢谢！

GiselaCastronariGiselaCastronari是一名剪辑师，代表作品有《五头大象的女人》、《MiddleoftheMoment》等。外文名：GiselaCastronari职业：剪辑师代表作品：《五头大象的女人》、《MiddleoftheMoment》合作人物：VadimJendreyko

查询对象为ArcInfo coverage，shapefile， INFO table，dBASE table，ArcSDE data，ArcIMS 要素类，或者 ArcIMS image service 子图层：x0dx0a"_" indicates one character x0dx0a "%" indicates any number of characters.x0dx0ax0dx0a查询对象为personal geodatabase data：x0dx0a"?" indicates one characterx0dx0a "*" indicates any number of charactersx0dx0ax0dx0aArcGIS的查询语句跟数据库相关，例如，进行模糊查询：x0dx0a对于oracle等大型数据库来说应该是如下：x0dx0awhere 项目名称 like "%土地%"x0dx0a但是对于个人数据库，即access数据库来说，应该是：x0dx0awhere 项目名称 like "*土地*"x0dx0a使用通配符查询x0dx0a通配符 描述 示例x0dx0a% 包含零个或更多字符的任意字符串。 WHERE title LIKE "%computer%" 将查找处于书名任意位置的包含单词 computer 的所有书名。 x0dx0a_（下划线） 任何单个字符。 WHERE au_fname LIKE "_ean" 将查找以 ean 结尾的所有 4 个字母的名字（Dean、Sean 等）。 x0dx0a[ ] 指定范围 ([a-f]) 或集合 ([abcdef]) 中的任何单个字符。 WHERE au_lname LIKE "[C-P]arsen" 将查找以arsen 结尾且以介于 C 与 P 之间的任何单个字符开始的作者姓氏，例如，Carsen、Larsen、Karsen 等。 x0dx0a[^] 不属于指定范围 ([a-f]) 或集合 ([abcdef]) 的任何单个字符。 WHERE au_lname LIKE "de[^l]%" 将查找以 de 开始且其后的字母不为 l 的所有作者的姓氏。

用代理试试！

law 法律legislation 立法

arcgis系列是一个完整的地理信息系统平台，说的更装13一点就是搭建了地理信息生态环境，而OpenLayers则是在WebGIS（主要是在浏览器客户端）中实现了地理信息系统的部分功能，OpenLayers本身是一个JavaScript 类库；实现类似功能并不局限于使用OpenLayers，也不局限于JavaScript，只要浏览器支持的环境都可以，如Adobe的flex和微软的silverlight（这两种技术均需要浏览器装相应的插件，逐渐被弃用），因此，可以说，arcgis（如果指的是全套产品的话）是一套完整的涉及地理信息的解决方案，内容很多，而OpenLayers只是在浏览器端仿造部分gis工具功能的小玩具，是个阶段性的产物，如果你自己牛b，你也可以写类似的类库。

( 1) 实现地图显示功能Map. Layers. AddGeosetlayers. GeosetName"显示 Geoset 文件。( 2) 实现地图选择、漫游、放大、缩小功能Map. currentTool = miSelectool"实现地图选择浏览;Map. currentTool = miPantTool"实现地图漫游浏览;Map. currentTool = miZoomInTool"实现地图放大浏览;Map. currentTool = miZoomOutTool"实现地图缩小浏览。( 3) 实现对图层控制此功能包括是否可见、可选择、可编辑等功能。地图中以点、线、面、区域等表示地理对象，实际使用中，具体是用点、线、面，还是用区域来表示，主要根据地理对象的目标来确定。在地图窗口中，每个含有图形对象的数据表都可以显示为一个图层，每一个图层包含地图的一个不同部分，一幅计算机地图由多个图层组成。在矿图中有网格、巷道等矿图中的公共数据，也有专供各个部门使用的专业数据，如监控系统数据、通风系统数据等，因此针对煤与瓦斯突出研究，需要进行图层的控制。Map. Layer( 1) . Visible = True"控制图层是否可见Debug. Print_Map1. Layers( 1) Name"图层名称定义Map. Layer( 1) . Selectable = True"图层是否可选择Map. Layer( 1) . Editable = True"控制图层是否可编辑Layer. AddFeature ftr"向图层中添加图元Map. Layer( 1) . DeleteFeature ftr"从图层中删除图元( 4) 实现地理数据的查询与统计矿图上表示各种地物、生产设备等的数据众多，为了提高相关人员的工作效率与本系统的实用性，本系统开发设计了地物的查找、统计功能，并将查找结果在矿图上高亮显示出来。关键代码如下:Private Sub Command1_Click( )If Txtfound. Text = " " ThenMsgBox " 请输入关键字! " ，vbInformation，" 错误"Exit SubEnd IfDim ftrs As MapXLib. FeaturesDim mylay As MapXLib. layerDim resulenum As IntegerDim ying As StringDim i As IntegerDim searchstr As Stringying = Chr( 34)searchstr = " 名称 like " ＆ ying ＆ " % " ＆ Trim( Txtfound. Text) ＆ " % " ＆ yingFor Each mylay In frmmain. Map1. Layersmylay. Selection. ClearSelectionNextListView1. ListItems. ClearDim listvitem As ListItemFor Each mylay In frmmain. Map1. Layers煤矿安全地理信息系统设计与开发

ARCGIS中layer字段：1先打开arcgis软件，接着找到Layers文。2、接着我layers处右击，然后在弹出的快捷菜单中选择adddata。

在arctoolbox中，找到data management tools/features/ADD XY coordinates,双击，在出现的对话框中选择你的rep图层，然后OK 就可以了，重新打开属性表里就会有经纬度了。

朋友，不能选是因为layers中已添加了图层数据，而该数据的是定义了坐标系的——地理坐标系，以经纬度方式显示，所以确定了坐标参照系统的是不能选择的。如果layers为空或添加的第一个图层数据没有定义坐标系，那么该项是可以选择的。

layer都是自己建立的框架，数据不会丢，只是图层不见了而已

在空间统计工具下面，spatial statistics tools——Utilities——calculate area

探索和学习MySQL中GIS相关功能和特性 这里记录了学习和了解MySQL中GIS特性相关内容的过程。 MySQL官方论坛中GIS的举例 测试数据已经导入成功，下面开始对GIS相关函数和GEOHASH进行了解和体验； mysql中geometry类型的简单使用 MySQL空间数据类型 经纬度信息存储在geometry格式的字段中，该字段必须非空。 MySQL8.0前按照longitude-latitude的顺序存储位置 MySQL8.0前按照longitude-latitude的顺序存储位置 MySQL8.0前按照longitude-latitude的顺序存储位置 插入数据时候可使用如下语句： MySQL存储geometry信息的方式采用了25bytes，相比WKB的21bytes，多了4bytes的坐标系表示，组成部分如下： WTF字符串格式说明 select ST_GeomFromText(WTF格式字符串); WKT(Well-known text)是一种文本标记语言,用于表示矢量几何对象、空间参照系统及空间参照系统之间的转换。通过WTF字符串生成geometry的方法： 点： POINT(x y) 线： LINESTRING(x1 y1, x2 y2, x3 y3...) 多边形： POLYGON((0 0, 10 0, 10 10,0 10,0 0),(5 5,7 5,7 7,5 7,5 5)) 多点集： MULTIPOINT(0 0, 20 20, 60 60) 或 MULTIPOINT((0 0),(5 5),(5 0)) 多线集： MULTILINESTRING((10 10, 20 20), (15 15, 30 15)) 多多边形集： MULTIPOLYGON(((0 0,10 0,10 10,0 10,0 0)),((5 5,7 5,7 7,5 7, 5 5))) 例如两点一线组成的几何集： GEOMETRYCOLLECTION(POINT(10 10), POINT(30 30), LINESTRING(15 15, 20 20)) A geometry is syntactically well-formed if it satisfies conditions such as those in this (nonexhaustive) list: Collections are not empty (except GeometryCollection) 更多内容参见 ST_PointFromText("POINT(X Y)"); ST_LineStringFromText("LINESTRING(0 0,1 1,2 2)"); ST_PolygonFromText("POLYGON((0 0,10 0,10 10,0 10,0 0),(5 5,7 5,7 7,5 7,5 5))"); ST_GeomCollFromText(); 更多内容参见 参见 Point(x,y) LineString((x1,y1),(x2,y2)...) Polygon(LineString(),LineString()....) 参见 ST_AsText() ST_AsBinary() ST_AsWKT() 参见 ST_Dimension(geom) ：返回geom的维度（-1，0，1，2） ST_Envelope(geom) ：返回geom的最小外接矩形（MBR） ST_GeometryType(geom) ：返回geom的类型 ST_IsEmpty(geom) ：该函数并不能真实的判空，当geom为任何有效的几何值时返回0，无效的几何值返回1； ST_IsSimple(geom) ：当geom无任何异常几何点返回1（如自相交和自切线等），否则返回0 ST_SRID(geom) ：返回geom的坐标系ID 参见 ST_X(Point) ：获取Point的X值 ST_Y(Point) ：获取Point的Y值 参见 ST_StartPoint(linestrng) ： 线的起点 ST_EndPoint(linestring) ：返回线的最后一个点 ST_IsClosed(linestring或multilinestring) ：线是否闭合（若为线，则判断起点与终点是否一致；若为线组，则判断组内每个元素是否符合闭合线） ST_Length(linestring) ：返回线的长度，若入参为线集，则返回集合内所有长度的和 ST_NumPoiints(linestring) ：返回点的数量； ST_PointN(linestring,N) ：返回第N个点（从1开始） 参见 具体不在一一列举，主要有计算多边形面积、中心点、最小外接圆，最大内接圆等函数，列举几个可能会用到的： ST_Area(Poly|mPoly) ：返回双精度的面积或面积的和 "ST_Centroid(Poly|mPoly)"：返回数学上的中心点 ST_ExteriorRing(Poly) ：返回外接圆 参见 ST_Buffer说明 不再列举，主要有：ST_Buffer（不懂干啥用），ST_ConvexHull(geom)凸包，ST_Dfference(g1,g2)比较差异，ST_Intersecton(g1,g2)交叉点，ST_SymDifference(g1,g2)对称差分，ST_Union(g1,g2)连接、合并等。 检查geometry Objects之间的空间关系的方法。 参见 计算两个Object之间的空间关系的函数，有两个间距离、相交、不相交，包含、相等、相切、重叠、接触、在内等等空间关系。下面列举几个可能会常用的方法： ST_Contains(g1,g2) ：g1是否完全包含g2 ST_Within(g1,g2) ：g1是否包含于g2中 ST_Distance(g1,g2) ：返回g1和g2之间的距离，已坐标单位计算的 ST_Equals(g1,g2) ：返回g1和g2是否相等 参见 MBRContains(g1,g2) ：g1的mbr是否包含g2的mbr MBRWithin(g1,g2) ：g1的mbr是否在g2的mbr内 MBRCoveredBy(g1,g2) ：g1的mbr是否被g2的mbr覆盖 MBRCovers(g1,g2) ：g1的mbr是否覆盖g2的mbr MBRDisjoint(g1,g2) ：g1的mbr,g2的mbr是否不相交 MBRIntersects(g1,g2) ：g1mbr，g2mbr是否相交 MBREqual(g1,g2) ：g1的mbr,g2的mbr的外接是否相等 MBREquals(g1,g2) ：g1的mbr,g2的mbr的外接是否相等 MBROverlaps(g1,g2) ：g1mbr、g2mbr 其他函数请参看原文 GeoHash介绍 GeoHash Wiki百科 MySQL中自带函数 st_geohash(longtude,latitude,max_length) 或 st_geohash(point, max_length) 即可生成某一点的geohash值。 返回一个geohash字符串中的latitude或longitude 返回一个geohash解析出的point数据 官方文档 通过geometry生成一个GeoJSON Object， select st_asgeojson(geometry,max_length,options); 通过GeoJSON生成GeoMetry对象。 ST_GeomFromGeoJSON(jsonstring, [options [, srid]]) 具体使用方法参见官方文档 官方文档 MySQL中提供的方便空间运算的函数们 select ST_Distance_Spher(geomPoint1,geomPoint2 [, radius]); 此方法用于计算两点或多个点之间的地球上的距离（是地球球面距离而不是直线距离），返回单位为米， select ST_IsValid(ST_GeomFromText("LINESTRING(0 0,1 1)")) 判断入参是否是符合地理位置描述的格式。返回1（符合）或者0（不符）； 例如： 返回0： select st_isvalid(st_geomfromtext("linestring(0 0, -0.00 0, 0.0 0)") 返回1： select st_isvalid(st_geomfromtext("linestring(0 0,1 1)") select st_astext(st_makeenvelope(pt1, pt2)); 返回两点构成的包络。（此计算是基于笛卡尔坐标系而非球面） 例如： SELECT ST_AsText ( st_makeenvelope ( st_geomfromtext ( "point(0 0)" ), st_geomfromtext ( "point(1 1)" ) ) ); 返回结果： POLYGON((0 0,1 0,1 1,0 1,0 0)) 效果说明 JS抽稀算法 select st_simplify(geometry, max_distance); 用道格拉斯-普克算法（抽稀函数）简化geometry，并返回与原格式相同格式的结果。 例如，以下点集拟合为直线，步长0.5： SELECT st_simplify ( st_geomfromtext ( "LINESTRING(0 0,0 1,1 1,1 2,2 2,2 3,3 3)" ), 0.5 ) 返回结果： LINESTRING(0 0, 0 1, 1 1, 2 3, 3 3) 再如，步长1.0： SELECT st_simplify ( st_geomfromtext ( "LINESTRING(0 0,0 1,1 1,1 2,2 2,2 3,3 3)" ), 1.0 ) 返回结果： LINESTRING(0 0, 3 3) SELECT ST_Validate(geometry); 验证geometry是符合正确的地理位置信息格式。例如 Point(0 0) 是合格的； Linestring(0 0) 是非法的； Linestring(0 0, 1 1) 是合格的 了解了上述MySQL中关于集合对象的功能，下面来实践一下 由上面geohash长度-精度对应表可知，前6位表示±610米左右的误差，这里先查询前六位范围之后再用上述方法精确筛选一次即可： 可将上述查询方法封装为MySQL函数方便和简化程序调用. 该方法是运用了内置的几何关系运算函数 ST_Contains 和 ST_MakeEnvelop 来实现的，0.5对应大概500米左右的范围，具体如下； 链接: https://pan.baidu.com/s/1cW-kv6DIgtYMw5I3bNFzKA 提取码: jagn

首先，必须安装postgis，它相当于与Postgresql的一个插件一样（这样说不知道合不合适），安装它后Postgresql就有了地理空间分析的支持。具体的请查查资料吧。需要有Geometry数据类型的关键是通过模版数据库进行新建数据库，步骤如下：打开PostgreSQL中的服务器管理器pgAdmin，在左边的服务器下面的数据库右键“新建数据库”，界面如下输入名称，如mydb，选择模版，如图中红线框所示，选择模版数据库是关键，然后确定就行了。然后再新建数据表，当在表中新建字段的时候数据类型就支持Geometry数据类型了，祝你成功。

几何对象Point：是一个0维的几何图形，具有X,Y坐标值，以及一些可选的属性：如高程值(Z值)，度量值(M值) 和ID号，点对象用于描述精确定位的对象。MultiPoint：点集对象是一系列无序的点的群集，这些点具有相同的属性信息。例如可以用一个点集来表示整个城市天然气调压站。以下代码片段演示如何构建Multipoint对象://定义第一个点IPoint pPoint1 = new PointClass();pPoint1.X = 100;pPoint1.Y = 100;//定义第二个点IPoint pPoint2 = new PointClass();pPoint2.X = 200;pPoint2.Y = 200;……//构建其他点IPointCollection pMultipoint = new MultipointClass();object o=Type.Missing;//添加第一个点，不需要设置点的顺序，参数设置为Type.MissingpMultipoint.AddPoint(pPoint1, ref o, ref o);//添加第二个点，不需要设置点的顺序，参数设置为Type.MissingpMultipoint.AddPoint(pPoint2, ref o, ref o);……//添加其他点Segment几何对象

在surfer里面输出为.mif格式，在mapgis里面进行文件转换，打开保存的.mif文件，复位窗口。就能显示出来，然后保存为点线面文件。ok！

surfer这个不清楚arcgis强大在于它的空间分析能力还有制图，一般在土地规划方面应用比较广mapgis6.7强大就在于制图，在矿产资源规划制图用的超多，现在地质图一般都是MAPGIS制作的。

Surfer是美国Golden 软件公司的产品，用户包括矿业、工程、医药、地学、生物等领域的研究人员、工程师和科学家，目前最高版本为8.0，是科技工作者特别是地学研究人员必备的软件,应用极广。它提供的内插方法多达12种，Surfer强大的插值功能和绘制图件能力，已经使它成为用来处理XYZ数据首选的软件，能迅速地将离散点的测量数据通过插值转换为连续的数据曲面，进一步绘制等值线图、粘贴图、影像图、地貌晕渲图、矢量地图、线框图和表面图。Surfer具有简单的数学运算、数据统计、平滑、滤波、微分、积分、傅立叶谱分析等多种数据分析功能。也具有趋势面分析、体积和面积计算、坡度分析、坡向分析、剖面曲率、平面曲率和水平曲率分析以及剖面计算等等三维空间分析。可以说Surfer是在Win95/98和NT4.0操作系统下最强大的、最灵活的和容易使用的绘制等值线图及三维立体图软件包。 ArcGIS是美国环境系统研究所（ESRI）开发的新一代GIS软件，是世界上应用广泛的GIS软件之一，在ArcGIS中继续保持其产品既有的强大空间数据管理和分析能力外，还全面采用了工业标准的和开放的主流IT技术。ArcGIS的地统计分析扩展模块（Geostatistical Analyst）、空间分析扩展模块（Spatial Analyst）和三维分析扩展模块（3D Analyst）对开展地学空间分析功能提供了非常灵活的手段。 地理信息系统的数据模型分两大类，即矢量数据模型和栅格数据模型。不同的数据模型所采用的技术和分析方法大相径庭。以栅格数据模型为存储结构，地图代数（Map Algebra）为数学基础的空间分析方法自1980年代后期以来成为地理信息系统技术发展的重要方向，并日趋成熟。它的最大特点就是能够对空间问题进行建模，因此已成为衡量一个地理信息系统功能强弱的关键指标之一。ARCGIS地统计分析扩展模块中提供了5种插值方法来创建GRID表面模型，而在Surfer8.0内插方法多达12种，对中、小离散数据进行插值处理有其优势，以及绘制、标注等值线图及三维立体图都很方便，但其空间分析要比ArcGIS空间分析扩展模块弱得多，本文拟就二者创建的GRID表面模型的文件格式作一比较，并解决了这两种文件相互转换的方法，以方便在实际的科研中针对不同的数据量、研究目的等方便选择二者提供的不同的插值方法来创建GRID表面模型，发挥各自的优点。

Residence 居住地birthplace 出生地census register 户籍

binkw32.dll是BINK视频解码器相关进程，用于压缩视频回放，例如游戏中的视频。简单说你游戏里的binkw32.dll文件有问题,网上下载同名其他版本的binkw32.dll文件替换原文件试试,还不行,你只能换其他版本的该游戏重新下载安装了,祝顺利!有问题,请追问.有帮助,望采纳.

无法定位动态链接库的原因1.病毒木马导致的，比较典型的病毒是绑架类木马，它是一种新型破坏性极强的木马与传统病毒不同，它是通过绑架系统文件dll实现开机启动，该木马主要表现，2.升级某个软件导致的。重装该软件即可解决该问题。3.自己误操作造成的。无法定位程序输入点的修复方案：软件修复：下载安装金山卫士，进入主界面进入【查杀木马】然后点击【快速扫描】即可手动修复无法定位程序输入点于动态链接库上方法1.通过互联网上搜索下载下载你所需dll，把你所想要的dll输入到搜索框里去，注意搜索时一定要开启金山卫士的上网安全浏览功能，以免因无法定位程序输入点的问题导致进入挂马或者钓鱼站点引起电脑中毒。 2.重启电脑快捷键f2或者f8进入安全模式 3.将缺少的dll放到C:windowssystem32即可

arcgis栅格转grid数据格式的方法如下：1、加载TIFF栅格数据。从目录中可以看到，image.tif文件具有3个单波段栅格数据，即R、G、B波段，直接将image图层拖入视图区即可加载该TIFF数据，可单独加载其中某个波段。2、TIFF转GRID。TIFF栅格数据包含有3个波段，要将TIFF栅格数据转GRID栅格数据，需将TIFF的R、G、B波段依次转为GRID栅格数据。右击已加载的R波段图层，打开数据|导出数据工具，位置指定到ex21-1文件夹，导出的栅格数据名称设置为R，格式设置为GRID，其余参数默认。保存，完成R波段的转GRID操作。注：位置参数仅指定到文件夹。同理，转换G、B波段为GRID格式。

tin和grid是DEM的两种类型tin是不规则三角网grid是规则格网用途就是表达地形~

logistic 通常是指物流/管理类，物流公司通常都是叫logistic company的logical 呢，是合理/逻辑的意思

　　logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩展，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和Logistic模型进行试验。影响耕地的因素假设有高程、土壤类型、当地人口数量和GDP总量，把上述四种因素作为自变量，某块地是否为耕地的概率为P，即应变量。然后根据已经有的样本数据，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出F(P)=G(高程，土壤，人口，GDP）的一个回归函数，即Logistic模型，然后把全地区的数据代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。希望我的答案能让你满意，我以前就是做这方面研究的。

logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。 　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。 　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。 　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

logistic回归模型是用于研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。在社会科学诸如社会学、心理学、人口学、政治学、经济学以及公共卫生学当中，大量的观测因变量是二分类测量。本书专题介绍了在分析二分类因变量时最常使用的统计分析模型之一，Logistic回归模型。本书深入浅出，理论联系实际，通过例题分析，并结合计算机统计软件的应用，详细介绍、阐述了该模型及其应用。同时，还介绍了如何将Logistic回归模型扩展到序次Logistic回归模型和多项Logit模型，以分析序次变量和多分类名义变量为因变量的数据。本书提供用SAS和SPSS进行具体例题分析的计算机程序及相关数据，并对这两种软件的模型估计结果进行详尽的解释和对比分析。本书的读者对象为社会科学各专业的教师及研究生，以及社会科学专业研究人员。内容简介：《Logistic回归模型》是2001年高等教育出版社出版的教材，作者是王济川、郭志刚。该书介绍了在分析二分类因变量时最常使用的统计分折模型之一——lqistic回归模型，通过例题分析，并结合计算机统计软件的应用，详细介绍、阐述了该模型及其应用，同时，还介绍了如何将logistic回归模型扩展到序次logistic回归模型和多项logit模型，以分析序次变量和多分类名义变量为因变量的数据。还提供用SAS和SPSS进行具体例题分析的计算机程序及相关数据，并对这两种软件的模型估计结果进行详尽的解释和对比分析。

单因素就是研究对某个事件或指标的影响因素只有1个。单因素Logistic回归中，因变量只有一个。自变量也只有1个；但是这个时候不使用Logistic回归也可以解决问题的，根据具体情况选用卡方检验、t检验或方差分析的方法即可，不过Logistic回归有时可以得到更多的信息，但同时也需考虑模型拟和优度的问题。扩展资料：现实中的很多现象可以划分为两种可能，或者归结为两种状态，这两种状态分别用0和1表示。如果我们采用多个因素对0－1表示的某种现象进行因果关系解释，就可能应用到logistic回归。Logistic回归分为二值logistic回归和多值logistic回归两类。首先用实例讲述二值logistic回归，然后进一步说明多值logistic回归。最好先看看有关SPSS软件操作技术的教科书。参考资料来源；百度百科-单因数分析

楼主的式子是化简了的，A,B,C都是初始参数的组合，我把初始参数写出来就知道A,B,C是什么含义假定微生物的相对增值率为dx/dt=r-kx,即在体系中微生物的量为x时增殖速率为r-kx,T=0时刻体系中的微生物量为X0,则r/k=c(r-kx0)/rx0=a-r=b

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回...

下拉菜单选stepwise

　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

大概就是通过这个构造出一个(0,1)的函数，而且f在接近0或1时随x的变化很小。但其实这种函数可以各种构造，比如加一个系数的arctan函数。但据说有人证明过在实数集内参数为1.7的logistic函数和正态累计函数差在0.01以内。所以logistic函数其实是正态累计函数的一个近似。个人觉得从这个意义上去理解logistic函数会更好一些，毕竟正态分布在统计学中的意义是毋庸置疑的。

logistic回归是概率模型，非线性表达式，其线性表达式即logit回归。logistic回归计算的是P,而logit回归计算的是logit(p)。logit（p） =log(p/1-p)

logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。 　　二值logistic回归： 　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。 　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。 　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。 　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。 　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。 　　继续，确定。 　　然后，就会输出结果了。主要会输出六个表。 　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。 　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。 　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。 　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。 　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。 　　此外还有相关矩阵表和概率直方图，就不再介绍了。 　　 　　 　　 　　多项logistic回归： 　　选择分析——回归——多项logistic，打开主面板，因变量大家都知道选什么，因变量下边有一个参考类别，默认的第一类别就可以。再然后出现了两个框框，因子和协变量。很明显，这两个框框都是要你选因变量的，那么到底有什么区别呢？嘿嘿，区别就在于，因子里边放的是无序的分类变量，比如性别，职业什么的，以及连续变量（实际上做logistic回归时大部分自变量都是分类变量，连续变量是比较少的。），而协变量里边放的是等级资料，比如病情的严重程度啊，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变量吧还是）之类的。在二项logistic回归里边，系统会自动生成哑变量，可是在多项logistic回归里边，就要自己手动设置了。参照上边的解释，不难知道设置好的哑变量要放到因子那个框框里去。 　　然后点开模型那个对话框，哇，好恐怖的一个对话框，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过交互作用是干嘛的了，那么不难理解，主效应就是变量本身对模型的影响。明确了这一点以后，这个对话框就没有那么难选了。指定模型那一栏有三个模型，主效应指的是只做自变量和因变量的方程，就是最普通的那种。全因子指的是包含了所有主效应和所有因子和因子的交互效应的模型（我也不明白为什么只有全因子，没有全协变量。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设置交互项和主效应项的，而且还可以设置这个项是强制输入的还是逐步进入的。这个概念就不用再啰嗦了吧啊？ 　　点击继续，打开统计量对话框，勾选个案处理摘要，伪R方，步骤摘要，模型拟合度信息，单元格可能性，分类表，拟合度，估计，似然比检验，继续。打开条件，全勾，继续，打开选项，勾选为分级强制条目和移除项目。打开保存，勾选包含协方差矩阵。确定（总算选完了）。 　　结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变量有意义。然后我们直接看参数估计表。假设我们的因变量有n个类，那参数估计表会给出n-1组的截距，变量1，变量2。我们我们用Zm代表Exp（常量m+am1*变量1+am2*变量2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的参数，那么第一类就是默认的1，也就是说Z1为1)。 　　 　　有序回归（累积logistic回归）： 　　选择菜单分析——回归——有序，打开主面板。因变量，因子，协变量如何选取就不在重复了。选项对话框默认。打开输出对话框，勾选拟合度统计，摘要统计，参数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话框和上文的模型对话框类似，也不重复了。确定。 　　结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外参数估计表得出的参数也有所不同。假设我们的因变量有四个水平，自变量有两个，那么参数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变量的参数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1.. 　　通过上边的这几个方程就能计算出各自的概率了。 　　 　　Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。

一样的意思哦

用Logistic 回归模型时的代码举例logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩展，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和Logistic模型进行试验。影响耕地的因素假设有高程、土壤类型、当地人口数量和GDP总量，把上述四种因素作为自变量，某块地是否为耕地的概率为P，即应变量。然后根据已经有的样本数据，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出F(P)=G(高程，土壤，人口，GDP）的一个回归函数，即Logistic模型，然后把全地区的数据代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。希望我的答案能让你满意，我以前就是做这方面研究的。春满人间百花吐艳 福临小院四季常安 欢度春节

logistic是形容词， 逻辑的，（军）后勤的，如 logistic problems后期问题。 logistics是名词， 逻辑学，（军）后勤，物流 如 logistics industry物流产业。

确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。一般以x表示自变数,y表示依变数。自变数为一个时,称为一元回归分析,自变数为m个时,称为m元或多元回归分析。

先加权，然后二元logit回归1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量（单变量拉入一个，多因素拉入多个）。3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。5.选项里面至少选择95%CI。

　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。 　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。 　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。 　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

已经有相关的回答了http://wenwen.sogou.com/z/q660099604.htm如果觉得不够详细就去看书吧，这里很难解释清楚的。

OR值的全称是odd ratio, 又称比值比，对于发病率很低的疾病来说，OR值即是相对危险度的精确估计值。logistic回归中，OR值=1，表示该因素对疾病的发生不起作用OR值大于1，表示该因素是一个危险因素OR值小于1，表示该因素是一个保护因素CI全称是Confidence Interval,又称可信区间，区间估计是指按预先给定的概率，计算出一个区间，使它能够包含未知的总体均数。事先给定的概率1-α称为可信度（通常取0.95或0.99），计算得到的区间称为可信区间

1、多重线性回归：用于寻找连续性因变量数值随多个自变量变化而变化的直线趋势;强调因变量为连续变量。如研究肺癌患者某肿瘤标记物的水平(连续变量)是否受年龄、性别、吸烟与否及数量等自变量的影响。2、Logistic回归：用于分析分类变量(或等级变量)和一些影响因素之间的关系，由于因变量非连续变量，与自变量间失去了线性关系的可能性，于是经过Logit变化，将模型转换为线性关系;强调因变量为分类变量或等级变量。如研究肺癌患病与否(二分类变量)是否受年龄、性别、吸烟与否及数量等自变量的影响。以二分类Logistic回归为例。3、Cox回归：用于研究多个因素对结局事件的影响;因变量与二分类Logistic回归相似，唯一的区别在于Cox回归的因变量引入了时间因素。如分析肺癌生存时间(二分类变量，含时间因素)是否受年龄、性别、吸烟与否及数量等自变量的影响。

Logistic函数的定义域是（）。 A.(-INF,+INF) B.[0,1] C.(0,+INF) D.(-INF,1) 正确答案：(-INF,+INF)

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。　　二值logistic回归：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。　　继续，确定。　　然后，就会输出结果了。主要会输出六个表。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。

logistic曲线方程中各字母代表什么意思解答：系数值（B） 标准误（S.E.） 卡方值（Wald） 自由度（df） P值（Sig.） OR值Exp(B)常数（Constant）

多元Logistic回归，就是自变量在两个以上，因变量的取值范围不受限制的Logistic回归。都是用统计样本来寻找因变量和自变量之间函数关系的一个统计方法。多元Logistic回归属于多元回归中的一种，只是它的数学关系属于非线性的，能更好的反应非线性变量之间的关系。

　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

一般用于表述生物无竞争者时的增长规律（生物上学的S曲线）。起初阶段大致是指数增长；然后随着开始变得饱和，增加变慢；最后，达到成熟时增加停止。

打开数据以后，菜单栏上依次点击：analyse--regression--binary logistic，打开二分回归对话框2将因变量和自变量放入格子的列表里，如图所示，上面的是因变量，下面的是自变量，我们看到这里有三个自变量设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法，在前面的文章中有介绍，这里就不再熬述。点击ok，开始处理数据并检验回归方程，等待一会就会弹出数据结果窗口看到的第一个结果是对case的描述，第一个列表告诉你有多少数据参与的计算，有多少数据是缺省值；第二个列表告诉你因变量的编码方式，得分为1代表患病，得分为0代表没有患病这个列表告诉你在没有任何自变量进入以前，预测所有的case都是患病的正确率，正确率为%52.6下面这个列表告诉你在没有任何自变量进入以前，常数项的预测情况。B是没有引入自变量时常数项的估计值，SE它的标准误，Wald是对总体回归系数是否为0进行统计学检验的卡方。下面这个表格结果，通过sig值可以知道如果将模型外的各个变量纳入模型，则整个模型的拟合优度改变是否有统计学意义。 sig值小于0.05说明有统计学意义这个表格是对模型的全局检验，为似然比检验，供给出三个结果：同样sig值<0.05表明有统计学意义。下面的结果展示了-2log似然值和两个伪决定系数。两个伪决定系数反应的是自变量解释了因变量的变异占因变量的总变异的比例。他们俩的值不同因为使用的方法不同。分类表，这里展示了使用该回归方程对case进行分类，其准确度为%71.8。最后是输出回归方程中的各变量的系数和对系数的检验额值，sig值表明该系数是否具有统计学意义。到此，回归方程就求出来了。

logistic回归主要用于危险因素探索。因变量y为二分类或多分类变量，自变量既可以为分类变量，也可以为连续变量。　　回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法。

logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩展，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和logistic模型进行试验。影响耕地的因素假设有高程、土壤类型、当地人口数量和gdp总量，把上述四种因素作为自变量，某块地是否为耕地的概率为p，即应变量。然后根据已经有的样本数据，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出f(p)=g(高程，土壤，人口，gdp）的一个回归函数，即logistic模型，然后把全地区的数据代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。希望我的答案能让你满意，我以前就是做这方面研究的。

Logistic模型（虫口模型）logistic回归又称logistic回归分析，主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率，等等。例如，想探讨胃癌发生的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群肯定有不同的体征和生活方式等。这里的因变量就是是否胃癌，即“是”或“否”，为两分类变量，自变量就可以包括很多了，例如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。通过logistic回归分析，就可以大致了解到底哪些因素是胃癌的危险因素。

二元logit回归1.打开数据，依次点击：analyse--regression--binarylogistic，打开二分回归对话框。2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量（单变量拉入一个，多因素拉入多个）。3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。5.选项里面至少选择95%CI。点击ok。

　　（1）二者的根本区别在于广义化线性模型中的联系函数的形式。logit采用对数形式log(a)，logistic形式为log(a/1-a)。 　　（2）应用上，普通logistic的响应变量是二元的，多元logistic的因变量可为多元。logit的响应变量可以是多元的。 　　（3）统计软件spss中：logit属于对数线性模型，分析结果主要为因变量和自变量之间的关系，可以细化到各分类因变量与分类自变量之间；logistic属于回归分析，分析结果为估计出自变量参数。regression下有Binary logistic regression和 Multinomial logistic regression 。因变量只取0和1时用的就是Binary logistic regression 。而Multinomial logistic regression 分为多分类无序因变量和多分类有序因变量的logistic回归。即因变量多于两个的。 　　（4）当因变量是多类的，可以采用logistic，也可以用logit，计算结果并无多少差别。

Logistic回归和多元回归是两个概念.Logistic回归是指因变量(dependent variable)是离散的,通常为0或1.而自变量(independent variable)基本没有要求.多元回归是指自变量是多个.对因变量的类型没有要求.所以可以有Logistic一元回归和Logistic多元回归.

logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

logistic回归模型，主要是用来对多因素影响的事件进行概率预测，它是普通多元线性回归模型的进一步扩展，logistic模型是非线性模型。比如说我们曾经做过的土地利用评价，就分别用多元线性回归模型和Logistic模型进行试验。影响耕地的因素假设有高程、土壤类型、当地人口数量和GDP总量，把上述四种因素作为自变量，某块地是否为耕地的概率为P，即应变量。然后根据已经有的样本数据，求出logistic模型的系数，一般用最大似然法结合牛顿—拉斐逊法解系数，求出F(P)=G(高程，土壤，人口，GDP）的一个回归函数，即Logistic模型，然后把全地区的数据代入上式，求出每个地方是否为耕地的概率，用来对土地利用的评价提供科学的依据。希望我的答案能让你满意，我以前就是做这方面研究的。满意请采纳。

logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。

　　Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回归，比如病重的程度是高，中，低呀等等，这种回归也叫累积logistic回归，或者序次logistic回归。　　二值logistic回归：　　选择分析——回归——二元logistic，打开主面板，因变量勾选你的二分类变量，这个没有什么疑问，然后看下边写着一个协变量。有没有很奇怪什么叫做协变量？在二元logistic回归里边可以认为协变量类似于自变量，或者就是自变量。把你的自变量选到协变量的框框里边。　　细心的朋友会发现，在指向协变量的那个箭头下边，还有一个小小的按钮，标着a*b，这个按钮的作用是用来选择交互项的。我们知道，有时候两个变量合在一起会产生新的效应，比如年龄和结婚次数综合在一起，会对健康程度有一个新的影响，这时候，我们就认为两者有交互效应。那么我们为了模型的准确，就把这个交互效应也选到模型里去。我们在右边的那个框框里选择变量a，按住ctrl，在选择变量b，那么我们就同时选住这两个变量了，然后点那个a*b的按钮，这样，一个新的名字很长的变量就出现在协变量的框框里了，就是我们的交互作用的变量。　　然后在下边有一个方法的下拉菜单。默认的是进入，就是强迫所有选择的变量都进入到模型里边。除去进入法以外，还有三种向前法，三种向后法。一般默认进入就可以了，如果做出来的模型有变量的p值不合格，就用其他方法在做。再下边的选择变量则是用来选择你的个案的。一般也不用管它。　　选好主面板以后，单击分类（右上角），打开分类对话框。在这个对话框里边，左边的协变量的框框里边有你选好的自变量，右边写着分类协变量的框框则是空白的。你要把协变量里边的字符型变量和分类变量选到分类协变量里边去（系统会自动生成哑变量来方便分析，什么事哑变量具体参照前文）。这里的字符型变量指的是用值标签标注过得变量，不然光文字，系统也没法给你分析啊。选好以后，分类协变量下边还有一个更改对比的框框，我们知道，对于分类变量，spss需要有一个参照，每个分类都通过和这个参照进行比较来得到结果，更改对比这个框框就是用来选择参照的。默认的对比是指示符，也就是每个分类都和总体进行比较，除了指示符以外还有简单，差值等。这个框框不是很重要，默认就可以了。　　点击继续。然后打开保存对话框，勾选概率，组成员，包含协方差矩阵。点击继续，打开选项对话框，勾选分类图，估计值的相关性，迭代历史，exp（B）的CI，在模型中包含常数，输出——在每个步骤中。如果你的协变量有连续型的，或者小样本，那还要勾选Hosmer-Lemeshow拟合度，这个拟合度表现的会较好一些。　　继续，确定。　　然后，就会输出结果了。主要会输出六个表。　　第一个表是模型系数综合检验表，要看他模型的p值是不是小于0.05，判断我们这个logistic回归方程有没有意义。　　第二个表示模型汇总表。这个表里有两个R^2，叫做广义决定系数，也叫伪R^2，作用类似于线性回归里的决定系数，也是表示这个方程能够解释模型的百分之多少。由于计算方法不同，这两个广义决定系数的值往往不一样，但是出入并不会很大。　　在下边的分类表则表述了模型的稳定性。这个表最后一行百分比校正下边的三个数据列出来在实际值为0或者1时，模型预测正确的百分比，以及模型总的预测正确率。一般认为预测正确概率达到百分之五十就是良好（标准真够低的），当然正确率越高越好。　　在然后就是最重要的表了，方程中的变量表。第一行那个B下边是每个变量的系数。第五行的p值会告诉你每个变量是否适合留在方程里。如果有某个变量不适合，那就要从新去掉这个变量做回归。根据这个表就可以写出logistic方程了：P=Exp(常量+a1*变量1+a2*变量2.。。。)/(1+Exp(常量+a1*变量1+a2*变量2.。。。))。如果大家学过一点统计，那就应该对这个形式的方程不陌生。提供变量，它最后算出来会是一个介于0和1的数，也就是你的模型里设定的值比较大的情况发生的概率，比如你想推算会不会治愈，你设0治愈，1为没有治愈。那你的模型算出来就是没有治愈的概率。如果你想直接计算治愈的概率，那就需要更改一下设定，用1去代表治愈。　　此外倒数后两列有一个EXP（B），也就是OR值，哦，这个可不是或者的意思，OR值是优势比。在线性回归里边我们用标准化系数来对比两个自变量对于因变量的影响力的强弱，在logistic回归里边我们用优势比来比较不同的情况对于因变量的影响。举个例子。比如我想看性别对于某种病是否好转的影响，假设0代表女，1代表男，0代表不好转，1代表好转。发现这个变量的OR值为2.9，那么也就是说男人的好转的可能是女人好转的2.9倍。注意，这里都是以数值较大的那个情况为基准的。而且OR值可以直接给出这个倍数。如果是0,1,2各代表一类情况的时候，那就是2是1的2.9倍，1是0的2.9倍，以此类推。OR值对于方程没什么贡献，但是有助于直观的理解模型。在使用OR值得时候一定要结合它95%的置信区间来进行判断。　　此外还有相关矩阵表和概率直方图，就不再介绍了。 　多项logistic回归：　　选择分析——回归——多项logistic，打开主面板，因变量大家都知道选什么，因变量下边有一个参考类别，默认的第一类别就可以。再然后出现了两个框框，因子和协变量。很明显，这两个框框都是要你选因变量的，那么到底有什么区别呢？嘿嘿，区别就在于，因子里边放的是无序的分类变量，比如性别，职业什么的，以及连续变量（实际上做logistic回归时大部分自变量都是分类变量，连续变量是比较少的。），而协变量里边放的是等级资料，比如病情的严重程度啊，年龄啊（以十年为一个年龄段撒，一年一个的话就看成连续变量吧还是）之类的。在二项logistic回归里边，系统会自动生成哑变量，可是在多项logistic回归里边，就要自己手动设置了。参照上边的解释，不难知道设置好的哑变量要放到因子那个框框里去。　　然后点开模型那个对话框，哇，好恐怖的一个对话框，都不知道是干嘛的。好，我们一点点来看。上边我们已经说过交互作用是干嘛的了，那么不难理解，主效应就是变量本身对模型的影响。明确了这一点以后，这个对话框就没有那么难选了。指定模型那一栏有三个模型，主效应指的是只做自变量和因变量的方程，就是最普通的那种。全因子指的是包含了所有主效应和所有因子和因子的交互效应的模型（我也不明白为什么只有全因子，没有全协变量。这个问题真的很难，所以别追问我啦。）第三个是设定/步进式。这个是自己手动设置交互项和主效应项的，而且还可以设置这个项是强制输入的还是逐步进入的。这个概念就不用再啰嗦了吧啊？　　点击继续，打开统计量对话框，勾选个案处理摘要，伪R方，步骤摘要，模型拟合度信息，单元格可能性，分类表，拟合度，估计，似然比检验，继续。打开条件，全勾，继续，打开选项，勾选为分级强制条目和移除项目。打开保存，勾选包含协方差矩阵。确定（总算选完了）。　　结果和二项logistic回归差不多，就是多了一个似然比检验，p值小于0.05认为变量有意义。然后我们直接看参数估计表。假设我们的因变量有n个类，那参数估计表会给出n-1组的截距，变量1，变量2。我们我们用Zm代表Exp（常量m+am1*变量1+am2*变量2+。。。），那么就有第m类情况发生的概率为Zn/1+Z2+Z3+……+Zn(如果我们以第一类为参考类别的话，我们就不会有关于第一类的参数，那么第一类就是默认的1，也就是说Z1为1)。　　　　有序回归（累积logistic回归）：　　选择菜单分析——回归——有序，打开主面板。因变量，因子，协变量如何选取就不在重复了。选项对话框默认。打开输出对话框，勾选拟合度统计，摘要统计，参数估计，平行线检验，估计响应概率，实际类别概率，确定，位置对话框和上文的模型对话框类似，也不重复了。确定。　　结果里边特有的一个表是平行线检验表。这个表的p值小于0.05则认为斜率系数对于不同的类别是不一样的。此外参数估计表得出的参数也有所不同。假设我们的因变量有四个水平，自变量有两个，那么参数估计表会给出三个阈值a1,a2，a3（也就是截距），两个自变量的参数m，n。计算方程时，首先算三个Link值，Link1=a1+m*x1+n*x2，Link2=a2+m*x1+n*x2，Link3=a3+m*x1+n*x2，（仅有截距不同）有了link值以后，p1=1/(1+exp(link1)),p1+p2=1/(1+exp（link2）),p1+p2+p3=1/(1+exp(link3)),p1+p2+p3+p4=1..　　通过上边的这几个方程就能计算出各自的概率了。　　　　Logistic回归到这里基本就已经结束了。大家一定要记熟公式，弄混可就糟糕了。希望能对你有所帮助呦。

logistic回归分析是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。扩展资料：Logistic回归模型的适用条件1、因变量为二分类的分类变量或某事件的发生率，并且是数值型变量。但是需要注意，重复计数现象指标不适用于Logistic回归。2、残差和因变量都要服从二项分布。二项分布对应的是分类变量，所以不是正态分布，进而不是用最小二乘法，而是最大似然法来解决方程估计和检验问题。

单因素logistic回归是一种广义的线性回归分析模型的影响因素只有1个。logistic回归，又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。单因素就是研究对某个事件或指标的影响因素只有1个。单因素logistic回归的例子特点以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌。值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。

一维Logistic映射从数学形式上来看是一个非常简单的混沌映射。此系统具有极其复杂的动力学行为，在保密通信领域的应用十分广泛，其数学表达公式如下：Xn+1=Xn×μ×(1-Xn) μ∈[0,4] X∈[0,1]其中μ∈[0,4]被称为Logistic参数。当X∈[0,1]时，Logistic映射工作处于混沌状态，也就是说，有初始条件X0在Logistic映射作用下产生的序列是非周期的、不收敛的，而在此范围之外，生成的序列必将收敛于某一个特定的值。