log

友情奉献,希望能多给几分1.在VBE中新建一个模块,输入以下代码:=================================================Function GetNongLi(rng As Range) As String Application.Volatile True If rng.Value = Or IsDate(rng.Value) = False Then GetNongLi = Exit Function End If Dim MonthAdd(11), NongliData(99), YearName(10), DayName(30), MonName(12), mYear(4) Dim curTime, curYear, curMonth, curDay Dim NongliStr, NongliDayStr Dim i, m, n, k, isEnd, bit, TheDate curTime = rng.Value YearName(0) = ○ YearName(1) = 一 YearName(2) = 二 YearName(3) = 三 YearName(4) = 四 YearName(5) = 五 YearName(6) = 六 YearName(7) = 七 YearName(8) = 八 YearName(9) = 九 DayName(0) = * DayName(1) = 初一 DayName(2) = 初二 DayName(3) = 初三 DayName(4) = 初四 DayName(5) = 初五 DayName(6) = 初六 DayName(7) = 初七 DayName(8) = 初八 DayName(9) = 初九 DayName(10) = 初十 DayName(11) = 十一 DayName(12) = 十二 DayName(13) = 十三 DayName(14) = 十四 DayName(15) = 十五 DayName(16) = 十六 DayName(17) = 十七 DayName(18) = 十八 DayName(19) = 十九 DayName(20) = 二十 DayName(21) = 廿一 DayName(22) = 廿二 DayName(23) = 廿三 DayName(24) = 廿四 DayName(25) = 廿五 DayName(26) = 廿六 DayName(27) = 廿七 DayName(28) = 廿八 DayName(29) = 廿九 DayName(30) = 三十 MonName(0) = * MonName(1) = 正 MonName(2) = 二 MonName(3) = 三 MonName(4) = 四 MonName(5) = 五 MonName(6) = 六 MonName(7) = 七 MonName(8) = 八 MonName(9) = 九 MonName(10) = 十 MonName(11) = 十一 MonName(12) = 腊 MonthAdd(0) = 0 MonthAdd(1) = 31 MonthAdd(2) = 59 MonthAdd(3) = 90 MonthAdd(4) = 120 MonthAdd(5) = 151 MonthAdd(6) = 181 MonthAdd(7) = 212 MonthAdd(8) = 243 MonthAdd(9) = 273 MonthAdd(10) = 304 MonthAdd(11) = 334 NongliData(0) = 2635 NongliData(1) = 333387 NongliData(2) = 1701 NongliData(3) = 1748 NongliData(4) = 267701 NongliData(5) = 694 NongliData(6) = 2391 NongliData(7) = 133423 NongliData(8) = 1175 NongliData(9) = 396438 NongliData(10) = 3402 NongliData(11) = 3749 NongliData(12) = 331177 NongliData(13) = 1453 NongliData(14) = 694 NongliData(15) = 201326 NongliData(16) = 2350 NongliData(17) = 465197 NongliData(18) = 3221 NongliData(19) = 3402 NongliData(20) = 400202 NongliData(21) = 2901 NongliData(22) = 1386 NongliData(23) = 267611 NongliData(24) = 605 NongliData(25) = 2349 NongliData(26) = 137515 NongliData(27) = 2709 NongliData(28) = 464533 NongliData(29) = 1738 NongliData(30) = 2901 NongliData(31) = 330421 NongliData(32) = 1242 NongliData(33) = 2651 NongliData(34) = 199255 NongliData(35) = 1323 NongliData(36) = 529706 NongliData(37) = 3733 NongliData(38) = 1706 NongliData(39) = 398762 NongliData(40) = 2741 NongliData(41) = 1206 NongliData(42) = 267438 NongliData(43) = 2647 NongliData(44) = 1318 NongliData(45) = 204070 NongliData(46) = 3477 NongliData(47) = 461653 NongliData(48) = 1386 NongliData(49) = 2413 NongliData(50) = 330077 NongliData(51) = 1197 NongliData(52) = 2637 NongliData(53) = 268877 NongliData(54) = 3365 NongliData(55) = 531109 NongliData(56) = 2900 NongliData(57) = 2922 NongliData(58) = 398042 NongliData(59) = 2395 NongliData(60) = 1179 NongliData(61) = 267415 NongliData(62) = 2635 NongliData(63) = 661067 NongliData(64) = 1701 NongliData(65) = 1748 NongliData(66) = 398772 NongliData(67) = 2742 NongliData(68) = 2391 NongliData(69) = 330031 NongliData(70) = 1175 NongliData(71) = 1611 NongliData(72) = 200010 NongliData(73) = 3749 NongliData(74) = 527717 NongliData(75) = 1452 NongliData(76) = 2742 NongliData(77) = 332397 NongliData(78) = 2350 NongliData(79) = 3222 NongliData(80) = 268949 NongliData(81) = 3402 NongliData(82) = 3493 NongliData(83) = 133973 NongliData(84) = 1386 NongliData(85) = 464219 NongliData(86) = 605 NongliData(87) = 2349 NongliData(88) = 334123 NongliData(89) = 2709 NongliData(90) = 2890 NongliData(91) = 267946 NongliData(92) = 2773 NongliData(93) = 592565 NongliData(94) = 1210 NongliData(95) = 2651 NongliData(96) = 395863 NongliData(97) = 1323 NongliData(98) = 2707 NongliData(99) = 265877 curYear = Year(curTime) curMonth = Month(curTime) curDay = Day(curTime) TheDate = (curYear - 1921) * 365 + Int((curYear - 1921) / 4) + curDay + MonthAdd(curMonth - 1) - 38 If ((curYear Mod 4) = 0 And curMonth 2) Then TheDate = TheDate + 1 End If isEnd = 0 m = 0 Do If (NongliData(m) 4095) Then k = 11 Else k = 12 End If n = k Do If (n 0) Then Exit Do End If bit = NongliData(m) For i = 1 To n Step 1 bit = Int(bit / 2) Next bit = bit Mod 2 If (TheDate = 29 + bit) Then isEnd = 1 Exit Do End If TheDate = TheDate - 29 - bit n = n - 1 Loop If (isEnd = 1) Then Exit Do End If m = m + 1 Loop curYear = 1921 + m curMonth = k - n + 1 curDay = TheDate mYear(0) = Mid(curYear, 1, 1) mYear(1) = Mid(curYear, 2, 1) mYear(2) = Mid(curYear, 3, 1) mYear(3) = Mid(curYear, 4, 1) curYear = YearName(mYear(0)) YearName(mYear(1)) YearName(mYear(2)) YearName(mYear(3)) If (k = 12) Then If (curMonth = (Int(NongliData(m) / 65536) + 1)) Then curMonth = 1 - curMonth ElseIf (curMonth (Int(NongliData(m) / 65536) + 1)) Then curMonth = curMonth - 1 End If End If NongliStr = curYear 年 If (curMonth 1) Then NongliDayStr = 闰 MonName(-1 * curMonth) Else NongliDayStr = MonName(curMonth) End If NongliDayStr = NongliDayStr 月 NongliDayStr = NongliDayStr DayName(curDay) GetNongLi = NongliStr NongliDayStrEnd Function==========================================================2.调用,在单元格中 用公式 GetNongLi 调用

如果b的行数不等于A的行数的话，用logical是错的，应该直接用A(b, :);如果b的行数等于A的行数的话，可以用logical。对于[3 1 5 6 2 4]这组数据，logical完了全是true，A(logical(b), :)就相当于A的每一行都取出；如果要取出某几行的话，应该只让b中对应行数的只为true，其余false。如果你觉得文字说不明白，就举个例子，我来告诉你结果是什么。

不能说logical这个词是词缀，logic是词根，-al是词缀，词缀又分为前缀和后缀，-al是后缀，词根logic加上后缀-al成了一个，变成了一个形容词，类似的还有total等

不能说logical这个词是词缀，logic是词根，-al是词缀，词缀又分为前缀和后缀，-al是后缀，词根logic加上后缀-al成了一个，变成了一个形容词，类似的还有total等

logic

cell是元包数组的意思有点类似于结构体,cell里面每个元素可以不一样不像矩阵都是实数比方说：a={"啊",123,[356],[12;78],sym(1)}a="啊"[123][1x3double][2x2double][1x1sym]>>class(a{1})ans=char>>class(a(1))ans=cella是一个cell里面有数有字符有矩阵如上面所示，a{1}表示的是a的第一个元素的内容第一个是字符那么a{1}就是字符而小括号()a(1)还是一个cell只不过这个cell只含有一个字符参考：http://blog.sina.com.cn/s/blog_8259d70901017wit.html

logical函数是把数值变成逻辑值，logical(x)将把x中的非0的值 变成1，把所有的数值0值变成逻辑0 。x0dx0a如x=[3 2 1 0 -1 -0.5];x0dx0aa=logical(x)x0dx0a运行结果：x0dx0aa =x0dx0ax0dx0a 1 1 1 0 1 1

一个是逻辑的一个是逻辑学的 可以这样理解

logical adj.合逻辑的，合理的； logically adv.逻辑上； logicals n.逻辑值； logician n.逻辑学家； logicism n.逻辑主义。 扩展资料 　　biological 生物学（上）的 　　oceanological 海洋学的 　　geological 地质学的" 　　climatological 气候学的 　　zoological 动物学的 　　phiological 语言学的 　　technological 细菌学的 　　bacteriological 细菌学的

合乎逻辑的，合理的，反义词在前面加il就可以了

logical是一个内置函数，把数组（矩阵）中的非零数变成1,零还是0比如A=[0.5 00 1]AA=logical(A)AA=[1 00 1];而且数据类型也改变了，这里A是双精度的double型数据类型，而AA是logical型数据

logical的名词是logic。logical的意思是逻辑，逻辑思维的规律，研究思维规律的学科。有时逻辑与逻辑学通用。狭义上逻辑既指页兆删婚思维的规律，也指研究思维规律的学科即逻辑学。广义上逻辑泛指规律。直接证明就是从论据的真实直接推出论题的真实的一种证明方法。间接证明又称反证法，它是通过证明反战抹论题的虚假，从而判明我们所要证明的论题真实的一种证明方法。运用间接证明方法进行证明，一般有三个步骤设立反论题；证明反论题是虚假的；根据排中律，推出我们所要证明的论题的真实。从间接证明的这个特点来看，间接证明实质上是选言推理的否定肯定式的运用，即从否定反论题真实，而推出我们所要证明的论题真实。可见，为了进行间接证明，最关键的是要证明反论题的虚假（即否定反论题的真实）。为此乐墓叠通常采用两种方法归谬法和穷举法。归谬法是一种先假定反论题为真，并从中引出谬误的推断，然后，根据假言推理的否定式，从否定谬误的推断到否定反论题的真实的一种方法。既然否定了反论题的真实，那么，根据排中律，自然也就证明了我们所要证明的论题是真实的。还有一种经常运用的反证法是穷举法。穷举法就是列举出除我们所要证明的论题外还可能成立的其他各种不同论题，然后根据事实或推理将这些不同论题一一予以否定，从而证明我们所要证明的论题为真的一种方法。

有 名词和形容词

　　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。

Logistic函数的表示形式如下： 它的函数图像如下，由于函数图像很像一个“S”型，所以该函数又叫 sigmoid 函数。 满足的性质： 1.对称性，关于(0,0.5)中心对称 2.逻辑斯谛方程即微分方程 最早logistic函数是皮埃尔·弗朗索瓦·韦吕勒在1844或1845年在研究它与人口增长的关系时命名的。广义Logistic曲线可以模仿一些情况人口增长（ P ）的 S 形曲线。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。 当一个物种迁入到一个新生态系统中后，其数量会发生变化。假设该物种的起始数量小于环境的最大容纳量，则数量会增长。该物种在此生态系统中有天敌、食物、空间等资源也不足（非理想环境），则增长函数满足逻辑斯谛方程，图像呈S形，此方程是描述在资源有限的条件下种群增长规律的一个最佳数学模型。在以下内容中将具体介绍逻辑斯谛方程的原理、生态学意义及其应用。 Logistic regression （逻辑回归）是当前业界比较常用的机器学习方法，用于估计某种事物的可能性。之前在经典之作《数学之美》中也看到了它用于广告预测，也就是根据某广告被用户点击的可能性，把最可能被用户点击的广告摆在用户能看到的地方，然后叫他“你点我啊！”用户点了，你就有钱收了。这就是为什么我们的电脑现在广告泛滥的原因了。 还有类似的某用户购买某商品的可能性，某病人患有某种疾病的可能性啊等等。这个世界是随机的（当然了，人为的确定性系统除外，但也有可能有噪声或产生错误的结果，只是这个错误发生的可能性太小了，小到千万年不遇，小到忽略不计而已），所以万物的发生都可以用可能性或者几率（Odds）来表达。“几率”指的是某事物发生的可能性与不发生的可能性的比值。 Logistic regression可以用来回归，也可以用来分类，主要是二分类。它不像SVM直接给出一个分类的结果，Logistic Regression给出的是这个样本属于正类或者负类的可能性是多少，当然在多分类的系统中给出的是属于不同类别的可能性，进而通过可能性来分类。 假设我们的样本是{ x , y}，y是0或者1，表示正类或者负类， x 是我们的m维的样本特征向量。那么这个样本 x 属于正类，也就是y=1的“概率”可以通过下面的逻辑函数来表示： 这里的 θ 是模型参数，也就是回归系数，σ是sigmoid函数。这样y=0的“概率”就是： 考查逻辑斯蒂回归模型的特点，一个事件的几率（oods）是指这件事发生的概率与不发生概率的比值，如果事件发生的概率是p，那么该事件的几率是p/(1-p)，该事件的对数几率(log odds)或者logit函数是 对于逻辑斯蒂回归而言，可以得到如下的对数几率 这就是说，在逻辑斯蒂回归模型中，输出y=1的对数几率是输入x的线性函数，或者说，输出y=1的对数几率是由输入x的线性函数表示的模型，即逻辑斯蒂回归模型。换句话说，y就是我们的关系变量，例如她喜不喜欢你，与多个因素有关，比如你的人品，你的长相，你是否有钱等。我们把这些因素表示成变量x 1 , x 2 ,…, x m ，那么这个女生是怎么考虑这些因素的呢，每个人心理其实都有一杆秤，例如有人比较看重你的人品，人品的权重是0.8,；也有人比较看重你有钱，有钱的权重设置成0.7等等。我们把这些对应于x 1 , x 2 ,…, x m 的权值叫做回归系数，表达为θ 1 , θ 2 ,…, θ m 。他们的加权和就是你在心目中的得分。 在参数学习时，可以用极大似然估计方法求解。假设我们有n个独立的训练样本{( x 1 , y 1 ) ,( x 2 , y 2 ),…, ( x n , y n )}，y={0, 1}。那每一个观察到的样本( x i , y i )出现的概率是 对于整个样本集，每个样本的出现都是独立的，n个样本出现的似然函数为（n个样本的出现概率是他们各自的概率乘积） 那么上述的似然函数就是模型的代价函数（cost function），我们要求的参数就是θ*。我们稍微对上式进行转换 对L(θ)的极大值，得到θ的估计值。问题变成了以对数似然函数为木匾函数的最优化问题。用L(θ)对θ求导，得到 无法解析求解的，所以一般使用迭代的方法求解，通常采用梯度下降法和拟牛顿法。 上面介绍的是儿分类的模型，用于二类分类。可以将其推广为多项逻辑斯蒂回归模型（multi-nominal regression model），用于多分类，假设离散随机变量Y的取值是{1,2,3,...,K}那么多项逻辑斯蒂回归的模型是 同理，二项逻辑斯蒂回归的参数估计的方法也可以推广到多项逻辑斯蒂回归。 [1]. 机器学习算法与Python实践之（七）逻辑回归（Logistic Regression） [2].《统计学习方法》 李航 著

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）

可综合。使信号经过逻辑门得到延迟，引脚到引脚即路径的延迟，分别把延迟赋给模块中从每个输入到每个输出之间的所有路径。因此可以针对每条输入/输出路径分别指定延迟。对大规模电路而言，它比分布延迟更容易建模，设计者只需了解模块的输入输出引脚，无需了解模块内部。延迟类型，分布延迟，在每个独立的元件基础上定义一种建模方式是将延迟值赋给独立的门，另一种是在单独的assign语句中指定延迟值。集总延迟，定义在每个独立模块基础上，表面看来像是模块输出门的当延迟。它比分布延迟更容易建模。

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。

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。请采纳。

　（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回归和多元回归是两个概念.Logistic回归是指因变量(dependentvariable)是离散的,通常为0或1.而自变量(independentvariable)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.

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、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。

先做单因素后做多因素回归分析

这个最近似乎问题很多，用origin可以简单完成。最近回答好几次这个问题了。

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：实际上属于判别分析，因拥有很差的判别效率而不常用。 1． 应用范围：① 适用于流行病学资料的危险因素分析② 实验室中药物的剂量-反应关系③ 临床试验评价④ 疾病的预后因素分析2． Logistic回归的分类：① 按因变量的资料类型分：二分类多分类其中二分较为常用② 按研究方法分：条 件Logistic回归非条件Logistic回归两者针对的资料类型不一样，后者针对成组研究，前者针对配对或配伍研究。3．Logistic回归的应用条件是：① 独立性。各观测对象间是相互独立的；② LogitP与自变量是线性关系；③ 样本量。经验值是病例对照各50例以上或为自变量的5-10倍（以10倍为宜），不过随着统计技术和软件的发展，样本量较小或不能进行似然估计的情况下可采用精确logistic回归分析，此时要求分析变量不能太多，且变量分类不能太多；④ 当队列资料进行logistic回归分析时，观察时间应该相同，否则需考虑观察时间的影响（建议用Poisson回归）。4． 拟和logistic回归方程的步骤：① 对每一个变量进行量化，并进行单因素分析；② 数据的离散化，对于连续性变量在分析过程中常常需要进行离散变成等级资料。可采用的方法有依据经验进行离散，或是按照四分、五分位数法来确定等级，也可采用聚类方法将计量资料聚为二类或多类，变为离散变量。③ 对性质相近的一些自变量进行部分多因素分析，并探讨各自变量（等级变量，数值变量）纳入模型时的适宜尺度，及对自变量进行必要的变量变换；④ 在单变量分析和相关自变量分析的基础上，对P≤α（常取0.2，0.15或0.3）的变量，以及专业上认为重要的变量进行多因素的逐步筛选；模型程序每拟合一个模型将给出多个指标值，供用户判断模型优劣和筛选变量。可以采用双向筛选技术：a进入变量的筛选用score统计量或G统计量或LRS(似然比统计量)，用户确定P值临界值如：0.05、0.1或0.2，选择统计量显著且最大的变量进入模型；b剔除变量的选择用Z统计量(Wald统计量)，用户确定其P值显著性水平，当变量不显者，从模型中予以剔除。这样，选入和剔除反复循环，直至无变量选入，也无变量删除为止，选入或剔除的显著界值的确定要依具体的问题和变量的多寡而定，一般地，当纳入模型的变量偏多，可提高选入界值或降低剔除标准，反之，则降低选入界值、提高删除标准。但筛选标准的不同会影响分析结果，这在与他人结果比较时应当注意。⑤ 在多因素筛选模型的基础上，考虑有无必要纳入变量的交互作用项；两变量间的交互作用为一级交互作用，可推广到二级或多级交互作用，但在实际应用中，各变量最好相互独立(也是模型本身的要求)，不必研究交互作用，最多是研究少量的一级交互作用。⑥ 对专业上认为重要但未选入回归方程的要查明原因。5． 回归方程拟合优劣的判断（为线性回归方程判断依据，可用于logistic回归分析）① 决定系数(R2)和校正决定系数( )，可以用来评价回归方程的优劣。R2随着自变量个数的增加而增加，所以需要校正；校正决定系数( )越大，方程越优。但亦有研究指出R2是多元线性回归中经常用到的一个指标，表示的是因变量的变动中由模型中自变量所解释的百分比，并不涉及预测值与观测值之间差别的问题，因此在logistic回归中不适合。② Cp选择法：选择Cp最接近p或p＋1的方程（不同学者解释不同）。Cp无法用SPSS直接计算，可能需要手工。1964年CL Mallows提出：Cp接近（p+1）的模型为最佳，其中p为方程中自变量的个数，m为自变量总个数。③ AIC准则：1973年由日本学者赤池提出AIC计算准则，AIC越小拟合的方程越好。在logistic回归中，评价模型拟合优度的指标主要有Pearson χ2、偏差(deviance)、Hosmer- Lemeshow (HL)指标、Akaike信息准则(AIC)、SC指标等。Pearson χ2、偏差(deviance)主要用于自变量不多且为分类变量的情况，当自变量增多且含有连续型变量时，用HL指标则更为恰当。Pearson χ2、偏差(deviance)、Hosmer- Lemeshow (HL)指标值均服从χ2分布，χ2检验无统计学意义(P>0.05)表示模型拟合的较好，χ2检验有统计学意义(P≤0.05)则表示模型拟合的较差。AIC和SC指标还可用于比较模型的优劣，当拟合多个模型时，可以将不同模型按其AIC和SC指标值排序，AIC和SC值较小者一般认为拟合得更好。6． 拟合方程的注意事项：① 进行方程拟合对自变量筛选采用逐步选择法[前进法（forward）、后退法（backward）、逐步回归法（stepwise）]时，引入变量的检验水准要小于或等于剔除变量的检验水准；② 小样本检验水准α定为0.10或0.15，大样本把α定为0.05。值越小说明自变量选取的标准越严；③ 在逐步回归的时可根据需要放宽或限制进入方程的标准，或硬性将最感兴趣的研究变量选入方程；④ 强影响点记录的选择：从理论上讲，每一个样本点对回归模型的影响应该是同等的，实际并非如此。有些样本点（记录）对回归模型影响很大。对由过失或错误造成的点应删去，没有错误的强影响点可能和自变量与应变量的相关有关，不可轻易删除。⑤ 多重共线性的诊断（SPSS中的指标）：a容许度：越近似于0，共线性越强；b特征根：越近似于0，共线性越强；c条件指数：越大，共线性越强；⑥ 异常点的检查：主要包括特异点(outher)、高杠杆点(high leverage points)以及强影响点(influential points)。特异点是指残差较其他各点大得多的点；高杠杆点是指距离其他样品较远的点；强影响点是指对模型有较大影响的点，模型中包含该点与不包含该点会使求得的回归系数相差很大。单独的特异点或高杠杆点不一定会影响回归系数的估计，但如果既是特异点又是高杠杆点则很可能是一个影响回归方程的“有害”点。对特异点、高杠杆点、强影响点诊断的指标有Pearson残差、Deviance残差、杠杆度统计量H（hat matrix diagnosis）、Cook 距离、DFBETA、Score检验统计量等。这五个指标中，Pearson残差、Deviance残差可用来检查特异点，如果某观测值的残差值>2，则可认为是一个特异点。杠杆度统计量H可用来发现高杠杆点， H值大的样品说明距离其他样品较远，可认为是一个高杠杆点。Cook 距离、DFBETA指标可用来度量特异点或高杠杆点对回归模型的影响程度。Cook距离是标准化残差和杠杆度两者的合成指标，其值越大，表明所对应的观测值的影响越大。DFBETA指标值反映了某个样品被删除后logistic回归系数的变化，变化越大(即DFBETA指标值越大)，表明该观测值的影响越大。如果模型中检查出有特异点、高杠杆点或强影响点，首先应根据专业知识、数据收集的情况，分析其产生原因后酌情处理。如来自测量或记录错误，应剔除或校正，否则处置就必须持慎重态度，考虑是否采用新的模型，而不能只是简单地删除就算完事。因为在许多场合，异常点的出现恰好是我们探测某些事先不清楚的或许更为重要因素的线索。7． 回归系数符号反常与主要变量选不进方程的原因：① 存在多元共线性；② 有重要影响的因素未包括在内；③ 某些变量个体间的差异很大；④ 样本内突出点上数据误差大；⑤ 变量的变化范围较小；⑥ 样本数太少。8． 参数意义① Logistic回归中的常数项（b0）表示，在不接触任何潜在危险／保护因素条件下，效应指标发生与不发生事件的概率之比的对数值。② Logistic回归中的回归系数（bi）表示，其它所有自变量固定不变，某一因素改变一个单位时，效应指标发生与不发生事件的概率之比的对数变化值，即OR或RR的对数值。需要指出的是，回归系数β的大小并不反映变量对疾病发生的重要性，那么哪种因素对模型贡献最大即与疾病联系最强呢? (InL(t-1)-InL(t))三种方法结果基本一致。③ 存在因素间交互作用时，Logistic回归系数的解释变得更为复杂，应特别小心。④ 模型估计出OR，当发病率较低时，OR≈RR，因此发病率高的疾病资料不适合使用该模型。另外，Logistic模型不能利用随访研究中的时间信息，不考虑发病时间上的差异，因而只适于随访期较短的资料，否则随着随访期的延长，回归系数变得不稳定，标准误增加。9． 统计软件能够进行logistic回归分析的软件非常多，常用的有SPSS、SAS、Stata、EGRET (Epidemiological Graphics Estimation and Testing Package)等。

先用logistic曲线方程生成（横坐标，纵坐标）数值，在Excel里排成两列，然后插入图表，选择图表类型为“XY散点图”，线型可以选择圆滑型。不知道下面的方程是不是你想要的：k为常数，在B10格填入x的初始值，B11=$B$7*B10*(1-B10)，下拉填充，然后以n,x区域作散点图。

可以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。点击ok。统计专业研究生工作室原创，请勿复杂粘贴

Logistcs is a noun meaning the mangement of materials flow through an anisation. The adjective of logistics is logistical instead of logistic. Therefore it is more appropriate to say Logistics Department/Manager. 2008-03-12 10:38:30 补充： Correction: The first line should read Logistics is a noun....... 参考: Collins Concise Dictionary

使用MATLAB求解logistic模型参数的步骤，可按下列过程进行：1、要有已知自变量和因变量的一系列数据2、自定义logistic模型函数3、使用nlinfit（）函数拟合logistic模型的参数4、根据拟合值与已知值的差值，判断其拟合准确性5、绘制logistic模型曲线图例如：已知x=[21 24 27 30 33 36 39 42 45 48];y=[0 4.5541 11.5836 19.9043 22.7024 25.2441 26.2109 26.5693 26.6396 25.9511]。求logistic模型的参数。求解代码：x=[21 24 27 30 33 36 39 42 45 48];y=[0 4.5541 11.5836 19.9043 22.7024 25.2441 26.2109 26.5693 26.6396 25.9511];fun=inline("a(1)./(1+exp(a(2)-a(3).*x))","a","x");b=[0.95717 0.48538 0.80028];a = nlinfit(x,y,fun,b)plot(x,y,"rp"),hold onxx0=linspace(min(x),max(x),50);yy0=fun(a,xx0);plot(xx0,yy0,"r-"),xlabel("x"),ylabel("y")legend("实验数据","拟合曲线")运行结果

实际上跟预测有些类似，也是根据logistic模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。这是logistic回归最常用的三个用途，实际中的logistic回归用途是极为广泛的，logistic回归几乎已经成了流行病学和医学中最常用的分析方法，因为它与多重线性回归相比有很多的优势，以后会对该方法进行详细的阐述。实际上有很多其他分类方法，只不过Logistic回归是最成功也是应用最广的。

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。

定义如下： 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.

　　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回归是一种二元分类的统计学习方法。在这种方法中，预测值是一个概率值，表示属于某一类的概率。其中 exp(β) 是一个指数函数，表示 e 的 β 次方。在 logistic回归模型中，它用来将线性回归模型的结果转换为概率值，帮助我们得到更好的预测结果。

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。

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。