《全职猎人》回归，感动得快哭了！猎人迷是最没有尊严的！《全职猎人》回归，感动得快哭了！猎人迷是最没有尊严的！无二君百家号脱稿大叔难道要改过自新了？无二君怀着满腔的热情，作为没有尊严的猎人迷，连草稿都能收的JUMP，一连串黑块加上文字这种形式都能接受的，等这一刻等得太久了！《全职猎人》第33卷单行本和32卷之间相隔了3年多，2016年7月，日本漫画家富坚义博在7月4日发售的第31期《周刊少年JUMP》上表示，“从下期开始暂停连载”。“暗黑大陆篇”终于要有进展了！之前出的实力排名，一般把蚁王排为第一，尼特罗第二；但是在暗黑大陆的世界里，高手无数，兴许新的排名就要开启了吧！无二君真的是满怀期待啊！之前有网友在《周刊少年JUMP》官方公开的漫画发售日期上发现了《全职猎人》的新刊发售信息，当时就有人猜测，富坚义博是不是要恢复连载了？根据官方公开的漫画发售日期，《全职猎人》单行本第34卷将于6月26日发售。今日，富坚义博《全职猎人》将于6月26日再开连载的消息公布了，各位网友纷纷表示，“老贼是不是又没有钱打麻将了？”其实无二君真想告诉富坚的牌友，你们合起火来弄他！搞穷他，让他对博彩彻底绝望！好好地回到漫画创作中来！本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。无二君百家号最近更新：简介:看世事浮华，静下来写一写诸子百家作者最新文章相关文章苹果/安卓/wp
积分 1893, 距离下一级还需 332 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡下一级可获得
权限: 设置回复可见道具: 沉默卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
哼哼签到天数: 451 天连续签到: 1 天[LV.9]以坛为家II
本帖最后由 wanghaidong918 于
02:31 编辑
本人最近从网上找了个stata程序做面板回归（据说是王群勇老师的）。
发现“_matplot LR, columns(1 2)”命令只能绘出一个LR分布图形；
请问如何才能分别绘出第一个门槛的估计值和置信区间图形；
第二个门槛的估计值和置信区间的等多个图形呢？
楼主你好，您能否把你做的门槛分析过程包括命令、结果粘出来给大家学习学习
请问楼主解决这个问题没啊！
我也碰到同样的问题~请问楼主的问题解决了吗~ 第一个门槛值的置信区间与第二个门槛的估计值和置信区间的怎么得到？
请问楼主解决这个问题没啊！ mat list LR 然后复制到stata 的数据表中，最后利用graph twoway来解决
热心帮助其他会员
总评分:&学术水平 + 1&
热心指数 + 1&
懂得放弃才会拥有
找到相关程序，就可以做出来了
lihoujian 发表于
mat list LR 然后复制到stata 的数据表中，最后利用graph twoway来解决能不能说的稍微具体点 谢谢
navytzk 发表于
找到相关程序，就可以做出来了可不可以求一份
be powerful ~~ girls!
lihoujian 发表于
mat list LR 然后复制到stata 的数据表中，最后利用graph twoway来解决双门槛时候 两列的值分别是什么含义呢 求教
be powerful ~~ girls!
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师(ERROR:15) & 访客不能直接访问逻辑回归算法的原理及实现(LR)
我的图书馆
逻辑回归算法的原理及实现(LR)
Logistic回归虽然名字叫”回归”&，但却是一种分类学习方法。使用场景大概有两个：第一用来预测，第二寻找因变量的影响因素。逻辑回归(Logistic Regression, LR)又称为逻辑回归分析，是分类和预测算法中的一种。通过历史数据的表现对未来结果发生的概率进行预测。例如，我们可以将购买的概率设置为因变量，将用户的特征属性，例如性别，年龄，注册时间等设置为自变量。根据特征属性预测购买的概率。逻辑回归与回归分析有很多相似之处，在开始介绍逻辑回归之前我们先来看下回归分析。
回归分析用来描述自变量x和因变量Y之间的关系，或者说自变量X对因变量Y的影响程度，并对因变量Y进行预测。其中因变量是我们希望获得的结果，自变量是影响结果的潜在因素，自变量可以有一个，也可以有多个。一个自变量的叫做一元回归分析，超过一个自变量的叫做多元回归分析。
下面是一组广告费用和曝光次数的数据，费用和曝光次数一一对应。其中曝光次数是我们希望知道的结果，费用是影响曝光次数的因素，我们将费用设置为自变量X，将曝光次数设置为因变量Y，通过一元线性回归方程和判定系数可以发现费用(X)对曝光次数(Y)的影响。
以下为一元回归线性方式，其中y是因变量，X是自变量，我们只需求出截距b0和斜率b1就可以获得费用和曝光次数之间的关系，并对曝光次数进行预测。这里我们使用最小二乘法来计算截距b0和斜率b1。最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配。
下表中是使用最小二乘法计算回归方程的一些必要的计算过程。在表中最左侧的两列分别为自变量X和因变量Y，我们首先计算出自变量和因变量的均值，然后计算每一个观测值与均值的差，以及用于计算回归方程斜率b1所需的数据。
根据表中的数据按公式计算出了回归方程的斜率b1，计算过程如下。斜率表示了自变量和因变量间的关系，斜率为正表示自变量和因变量正相关，斜率为负表示自变量和因变量负相关，斜率为0表示自变量和因变量不相关。
求得斜率b1后，按下面的公式可以求出Y轴的截距b0。
将斜率b1和截距b0代入到回归方程中，通过这个方程我们可以获得自变量和因变量的关系，费用每增加1元，曝光次数会增长7437次。以下为回归方程和图示。
在回归方程的图示中，还有一个R^2，这个值叫做判定系数，用来衡量回归方程是否很好的拟合了样本的数据。判定系数在0-1之间，值越大说明拟合的越好，换句话说就是自变量对因变量的解释度越高。判定系数的计算公式为SST=SSR+SSE，其中SST是总平方和，SSR是回归平方和，SSE是误差平方和。下表为计算判定系数所需三个指标的一些必要的计算过程。
根据前面求得的回归平方和(SSR)和总平方和(SST)求得判定系数为0.94344。
以上为回归方程的计算过程，在根据费用预测曝光数量的场景下，我们可以通过回归方程在已知费用的情况下计算出曝光数量。逻辑回归与回归方程相比在线性回归的基础上增加了一个逻辑函数。例如通过用户的属性和特征来判断用户最终是否会进行购买。其中购买的概率是因变量Y，用户的属性和特征是自变量X。Y值越大说明用户购买的概率越大。这里我们使用事件发生的可能性（odds）来表示购买与未购买的比值。
使用E作为购买事件，P(E)是购买的概率，P(E’)是未购买的概率，Odds(E)是事件E(购买)发生的可能性。
Odds是一个从0到无穷的数字，Odds的值越大，表明事件发生的可能性越大。下面我们要将Odds转化为0-1之间的概率函数。首先对Odds取自然对数，得到logit方程，logit是一个范围在负无穷到正无穷的值。
基于上面的logit方程，获得以下公式：
其中使用π替换了公式中的P(E),π=P(E)。根据指数函数和对数规则获得以下公式：
并最终获得逻辑回归方程：
下面根据逻辑回归方程来计算用户购买的概率，下表是用户注册天数和是否购买的数据，其中注册天数是自变量X，是否购买是自变量Y。我们将购买标记为1，将未购买标记为0。
接下来我们将在Excel中通过8个步骤计算出逻辑回归方程的斜率和截距。并通过方程预测新用户是否会购买。
第一步，使用Excel的排序功能对原始数据按因变量Y进行排序，将已购买和未购买的数据分开，使得数据特征更加明显。
第二步，按照Logit方程预设斜率b1和截距b0的值，这里我们将两个值都预设为0.1。后续再通过Excel求最优解。
第三步，按照logit方程，使用之前预设的斜率和截距值计算出L值。
第四步，将L值取自然对数，
第五步，计算P(X)的值，P(X)为事件发生的可能性(Odds)。
具体的计算步骤和过程见下图。
第六步，计算每个值的对数似然函数估计值（Log-Likelihood）。方法和过程见下图。
第七步，将对数似然函数值进行汇总。
第八步，使用Excel的规划求解功能，计算最大对数似然函数值。方法和过程见下图。设置汇总的对数似然函数值LL为最大化的目标，预设的斜率b1和截距b0是可变单元格，取消”使无约束变量为非负数”的选项。进行求解。
Excel将自动求出逻辑回归方程中斜率和截距的最优解，结果如下图所示。
求得逻辑回归方程的斜率和截距以后，我们可以将值代入方程，获得一个注册天数与购买概率的预测模型，通过这个模型我们可以对不同注册天数(X)用户的购买概率(Y)进行预测。以下为计算过程。
第一步，输入自变量注册天数(X)的值，这里我们输入50天。
第二步，将输入的X值，以及斜率和截距套入Logit方程，求出L值。
第三步，对L值取自然对数。
第四步，求时间发生可能性P(X)的概率值。
注册天数为50天的用户购买的概率约为17.60%。
我们将所有注册天数的值代入到购买概率预测模型中，获得了一条注册天数对购买概率影响的曲线。从曲线中可以发现，注册天数在较低和较高天数的用户购买概率较为平稳。中间天数用户的购买概率变化较大。
我们继续在上面的计算结果中增加新的自变量“年龄”。以下是原始数据的截图。现在有年龄和注册天数两个自变量和一个因变量。
依照前面的方法计算斜率和截距的最优解，并获得逻辑回归方程，将不同的年龄和注册天数代入到方程中，获得了用户年龄和注册天数对购买的预测模型。我们通过Excel的三维图表来绘制年龄和注册天数对购买概率的影响。
从图中可以看出，购买概率随着注册天数的增加而增长，并且在相同的注册天数下，年龄较小的用户购买概率相对较高。
一 从线性回归到Logistic回归
线性回归和Logistic回归都是广义线性模型的特例。
假设有一个因变量y和一组自变量x1, x2, x3, ... , xn，其中y为连续变量，我们可以拟合一个线性方程：
y =β0&+β1*x1&+β2*x2&+β3*x3&+...+βn*xn
并通过最小二乘法估计各个β系数的值。
如果y为二分类变量，只能取值0或1，那么线性回归方程就会遇到困难:&方程右侧是一个连续的值，取值为负无穷到正无穷，而左侧只能取值[0,1]，无法对应。为了继续使用线性回归的思想，统计学家想到了一个变换方法，就是将方程右边的取值变换为[0,1]。最后选中了Logistic函数：
y = 1 / (1+e-x)
这是一个S型函数，值域为(0,1)，能将任何数值映射到(0,1)，且具有无限阶可导等优良数学性质。
我们将线性回归方程改写为：
y = 1 / (1+e-z),
其中，z =β0&+β1*x1&+β2*x2&+β3*x3&+...+βn*xn
此时方程两边的取值都在0和1之间。
进一步数学变换，可以写为：
Ln(y/(1-y)) =β0&+β1*x1&+β2*x2&+β3*x3&+...+βn*xn
Ln(y/(1-y))称为Logit变换。我们再将y视为y取值为1的概率p(y=1)，因此，1-y就是y取值为0的概率p(y=0)，所以上式改写为：
p(y=1) = ez/(1+ez),
p(y=0) = 1/(1+ez),
其中，z =β0&+β1*x1&+β2*x2&+β3*x3&+...+βn*xn.
接下来就可以使用”最大似然法”估计出各个系数β。
二&odds与OR复习
&&&&&&odds:&称为几率、比值、比数，是指某事件发生的可能性(概率)与不发生的可能性（概率）之比。用p表示事件发生的概率，则：odds = p/(1-p)。
&&&&&&OR：比值比，为实验组的事件发生几率(odds1)/对照组的事件发生几率(odds2)。&
三&Logistic回归结果的解读
&&&&&&我们用一个例子来说明，这个例子中包含200名学生数据，包括1个自变量和4个自变量：
&&&&&&因变量: &hon，表示学生是否在荣誉班(honors class)，1表示是，0表示否；
&&&&&&自变量：
&&&&&&female&：性别，分类变量，1=女，0=男
&&&&&&read:&阅读成绩，为连续变量
&&&&&&write:&写作成绩，为连续变量
&&&&&&math：数学成绩，为连续变量&
&&&&&&1、不包含任何变量的Logistic回归
&&&&&&首先拟合一个不包含任何变量的Logistic回归，
&&&&&&模型为&ln(p/(1-p) =β0
&&&&&&回归结果如下（结果经过编辑）：
&&&&&&这里的系数β就是模型中的β0&= -1.12546，
&&&&&&我们用p表示学生在荣誉班的概率，所以有ln(p/(1-p) =β0&= -1.12546，
&&&&&&解方程得：p = 0.245。
&&&&&&odds = p/1-p = 0.3245
&&&&&&这里的p是什么意思呢？p就是所有数据中hon=1的概率。
&&&&&&我们来统计一下整个hon的数据:
&&&&&&hon取值为1的概率p为49/(151+49) = 24.5% = 0.245，我们可以手动计算出ln(p/(1-p) = -1.12546，等于系数β0。可以得出关系：
&&&&&&β0=ln(odds)。
&&&&&&2、包含一个二分类因变量的模型
&&&&&&拟合一个包含二分类因变量female的Logistic回归，
&&&&&&模型为&ln(p/(1-p) &=β0&+β1*&female.
&&&&&&回归结果如下（结果经过编辑）：
&&&&&&在解读这个结果之前，先看一下hon和female的交叉表：
根据这个交叉表，对于男性（Male），其处在荣誉班级的概率为17/91，处在非荣誉班级的概率为74/91，所以其处在荣誉班级的几率odds1=(17/91)/(74/91) = 17/74 = 0.23；相应的，女性处于荣誉班级的几率odds2 = (32/109)/(77/109)=32/77 = 0.42。女性对男性的几率之比OR = odds2/odds1 = 0.42/0.23 = 1.809。我们可以说，女性比男性在荣誉班的几率高80.9%。
回到Logistic回归结果。截距的系数-1.47是男性odds的对数（因为男性用female=0表示，是对照组），ln(0.23) = -1.47。变量female的系数为0.593，是女性对男性的OR值的对数，ln(1.809) = 0.593。所以我们可以得出关系: OR = exp(β)，或者β= ln(OR)（exp(x)函数为指数函数，代表e的x次方）。&
&&&&&&3、包含一个连续变量的模型
&&&&&&拟合一个包含连续变量math的Logistic回归，
&&&&&&模型为&ln(p/(1-p) &=β0&+β1*&math.
&&&&&&回归结果如下（结果经过编辑）：
&&&&&&这里截距系数的含义是在荣誉班中math成绩为0的odds的对数。我们计算出odds = exp(-9.793942) = .，是非常小的。因为在我们的数据中，没有math成绩为0的学生，所以这是一个外推出来的假想值。
&&&&&&怎么解释math的系数呢？根据拟合的模型，有：
&&&&&&ln(p/(1-p)) = &- 9.793942&&+ .1563404*math
&&&&&&我们先假设math=54，有：
&&&&&&ln(p/(1-p))(math=54) = - 9.793942 + .
&&&&&&然后我们把math提高提高一个单位，令math=55，有：
&&&&&&ln(p/(1-p))(math=55) = - 9.793942 + .
&&&&&&两者之差：
&&&&&&ln(p/(1-p))(math=55) - ln(p/1-p))(math = 54) = 0.1563404.
&&&&&&正好是变量math的系数。
&&&&&&由此我们可以说，math每提高1个单位，odds（即p/(1-p)，也即处于荣誉班的几率）的对数增加0.1563404。
&&&&&&那么odds增加多少呢？根据对数公式：
&&&&&&ln(p/(1-p))(math=55) - ln(p/1-p))(math = 54) = ln((p/(1-p)(math=55)/ (p/(1-p)(math=54))) = ln(odds(math=55)/ odds(math=54)) = 0.1563404.
&&&&&&所以：
&&&&&&odds(math=55)/ odds(math=54) &= &exp(0.1563404) = 1.169.
&&&&&&因此我们可以说，math每升高一个单位，odds增加16.9%。且与math的所处的绝对值无关。
&&&&&&聪明的读者肯定发现，odds(math=55)/ odds(math=54)不就是OR嘛！
&&&&&&4、包含多个变量的模型（无交互效应）
&&&&&&拟合一个包含female、math、read的Logistic回归，
&&&&&&模型为&ln(p/(1-p) =&β0&+β1*&math+β2*&female+β3*&read.
&&&&&&回归结果如下（结果经过编辑）：
&&&&&&该结果说明:
&&&&&（1）&性别：在math和read成绩都相同的条件下，女性（female=1）进入荣誉班的几率（odds）是男性（female=0）的exp(0.979948) = 2.66倍，或者说，女性的几率比男性高166%。
&&&&&（2）&math成绩：在female和read都相同的条件下，math成绩每提高1，进入荣誉班的几率提高13%（因为exp(0.1229589) = 1.13）。
&&&&&（3）read的解读类似math。
&&&&&&5、包含交互相应的模型
&&&&&&拟合一个包含female、math和两者交互相应的Logistic回归，
&&&&&&模型为&ln(p/(1-p) &=β0&+β1*&female+β2*&math+β3*&female *math.
&&&&&&所谓交互效应，是指一个变量对结果的影响因另一个变量取值的不同而不同。
&&&&&&回归结果如下（结果经过编辑）：
female*math
&&&&&&注意：female*math项的P为0.21，可以认为没有交互相应。但这里我们为了讲解交互效应，暂时忽略P值，姑且认为他们是存在交互效应的。
&&&&&&由于交互效应的存在，我们就不能说在保持math和female*math不变的情况下，female的影响如何如何，因为math和female*math是不可能保持不变的!
&&&&&&对于这种简单的情况，我们可以分别拟合两个方程，
&&&&&&对于男性（female=0）：
&&&&&&log(p/(1-p))=&β0&+&β2*math.
&&&&&&对于女性（female=1）：
&&&&&&log(p/(1-p))= (β0&+&β1) + (β2&+&β3&)*math.
&&&&&&然后分别解释。
分类变量（哑变量）的处理及解读
一、哑变量的设置方法
Logistic回归中分类变量需要使用哑变量（也叫虚拟变量）来操作。
一般的，n个分类需要设置n-1个哑变量（为什么不是n个？请继续看）。
举个例子，有一个“年龄”变量，分为：青年，中年，老年三类，那么我们可以用两个哑变量来代替：
变量1 = 1代表青年，0代表非青年
变量2 = 1代表中年，0代表非中年
变量1和变量2都等于0代表老年
所以用2个变量就可以表示3个类别。
二、分类变量在SPSS中的操作及结果解读
SPSS中能自动设置哑变量，只需要把变量标记为分类变量即可。
假设我们要分析年龄和病程对某种疾病预后的影响，采用Logistic回归分析。
变量赋值如下（数据均为人造，非真实数据）：
预后 ：因变量，为二分类变量，0=预后差，1=预后好
年龄：自变量，为多分类变量，1=青年，2=中年，3=老年
病程：自变量，为连续变量
（1）首先将年龄设置为分类变量，对比方式默认为“指示符”，参考类别默认为“最后一个”（后面解释为什么）。见下图。
（2）结果输出，有两个主要的表格。
这是分类变量的编码表格，可以看出，年龄被替换为两个新的变量：年龄（1）和年龄（2）。年龄（1）代表青年人，年龄（2）代表中年人，他们的取值都为0表示老年人，作为青年和中年的参考对象。
这是回归表格，出现了年龄（1）和年龄（2）两个新的变量。可以看出年龄（1）的P为0.000，有统计学意义，年龄（2）的P为0.135，没有统计学意义。
两者不一致，怎么解释？
因为年龄（1）和（2）都是以老年人来作为参照的，所以可以解释为：
（1）青年人相对于老年人，预后更好
（2）中年人相对于老年人，预后没有统计学差异
（3）青年人比中年人看起来预后好，但需要进一步假设检验。
三、参照方式的选择
分类变量都需要一个参考对象，也就是说跟谁比。
SPSS中提供了多种对比方式，如指示符，简单，差值等等，如下图：
其中默认的“指示符”使用最多，这里仅介绍这一个。
“指示符”表示将每一个类别与参考类别对比。那么哪一个是参考类别呢？SPSS有两个选项：“最后一个”与“第一个”。这里的“最后一个”和“第一个”顺序与上文“分类变量编码表”中的顺序是一样的。如果设置为最后一个，就是以老年为参考类别，如果设置为第一个，就是以青年为参考类别。具体使用哪一个，需要根据分析目的来确定。
TA的最新馆藏
喜欢该文的人也喜欢回归分析中条件，lr，wald有什么区别_百度知道
回归分析中条件，lr，wald有什么区别
我有更好的答案
卡方值（Wald）是卡方检验时计算出来的值，卡方检验用于进行两个率或两个构成比的比较。最简单和最典型的就是2*2列联表的卡方检验.自由度根据你的样本量来决定，自由度=（行数-1）（列数-1） 。自由度具体没有什么大的实际意义但是它有他的条件：如果是2*2列联表的卡方检验，要求样本含量应大于40且每个格子中的理论频数不应小于5。当样本含量大于40但理论频数有小于5的情况时卡方值需要校正，当样本含量小于40时只能用确切概率法计算概率。
采纳率：93%
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。}