LOGISTIC回归模型：方法与应用

1. 二分类因变量与Iogistic回归模型                  
 1. 1  引言                  
 1. 2  线性概率模型(Linear Probability Model, LPM)                  
 1. 3  Logistic回归模型                  
 2. Logistic回归模型估计                  
 2. 1  最大似然估计(Maximum Likelihood,Estimation, MLE)                  
 2. 2  Logistic回归模型估计的假设条件                  
 2. 3  最大似然估计的性质                  
 2. 4  模型估计的样本规模                  
 2. 5  拟合logistic回归的示范模型                  
 2. 6  用分组数据作logistic回归分新                  
 3. Logistic回归模型评价                  
 3. 1  拟合优度(Goodness of fit)                  
 3. 1. 1  皮尔逊X2(Pearson X2)                  
 3. 1. 2  偏差(Deviance)                  
 3. 1. 3  Hosmer-Lemeshow拟合优度指标                  
 3. 1. 4  信息测量指标(Information Measures)                  
 3. 2  Logistic回归模型的预测准确性                  
 3. 2. 1  类R2指标(Analogous R2)                  
 3. 2. 2  预测概率与观测值之间的关联                  
 3. 2. 3  分类表(Classification Table)                  
 3. 3  模型X2统计(Model Chi-Square Statistic)                  
 4. Logistic回归系数解释                  
 4. 1  发生比和发生比率(Odds and Odds Ratio)                  
 4. 2  按发生比率来解释logistic回归系数                  
 4. 2. 1  连续自变量的发生比率                  
 4. 2. 2  二分类自变量的发生比率                  
 4. 2. 3  分类自变量的发生比率                  
 4. 3  用概率来解释自变量的作用                  
 4. 4  预测概率                  
 4. 5  标准化系数                  
 4. 6  偏相关(Partial Gorrelation)                  
 5. Logistic回归系数的统计推断                  
 5. 1  Logistic回归系数的显著性检验                  
 5. 1. 1  Wald检验                  
 5. 1. 2  似然比检验                  
 5. 1. 3  检验系数子集                  
 5. 2  Logistic回归参数的置信区间                  
 5. 2. 1  Logistic回归系数的置信区间                  
 5. 2. 2  发生比率的置信区间                  
 5. 2. 3  事件概率的置信区间                  
 6. 建立模型                  
 6. 1  选择变量                  
 6. 1. 1  筛选自变量                  
 6. 1. 2  模型的比较                  
 6. 1. 3  逐步模型选择法                  
 6. 1. 4  排除有意义的变量和包括没有意义的变量                  
 6. 2  非线性与非加性(Nonlinearity and Nonadditivity)                  
 6. 2. 1  非线性                  
 6. 2. 2  非加性                  
 7. Logistic回归诊断                  
 7. 1  过离散(Overdispersion)                  
 7. 2  空单元(Zero Cell Count)                  
 7. 3  完全分离(Complete Separeation)                  
 7. 4  多元共线性(Multicollinearity)                  
 7. 5  特异值和特殊影响案例(Outliers and Influential Observations)                  
 7. 5. 1  残差影响的测量                  
 7. 5. 2  检查特异值和特殊影响案例                  
 8. Logistic回归的替代模型及扩展                  
 8. 1  Probit模型                  
 8. 1. 1  Probit模型的对数似然函数                  
 8. 1. 2  拟合probit示范模型                  
 8. 1. 3  Probit模型的解释                  
 8. 1. 4  用分组数据建立probit模型                  
 8. 1. 5  Logistic回归模型与probit模型的比较                  
 8. 2  Logistic回归扩展于多分类反应变量                  
 8. 2. 1  累积logistic回归模型(Cumulative Logistic Logistic Regression Model)                  
 8. 2. 2  多项logit模型(Multinmnial Logit Model)                  
 参考文献                  
 关键词索引