二进制 Logistic 回归模型响应优化试验的示例
主题     解释结果     会话命令     另请参见 

这些数据是学期开始时对某个 MBA 班进行的调查的结果。数据中包含部分关于学生的教育和经济情况的特征数据，并用它们来检验学生有哪些信用卡。

1    打开工作表“MBA调查.MTW”。

2    选择统计 > 回归 > 二进制 Logistic 回归 > 拟合二进制 Logistic 模型。

3    在响应中，输入 AmEx。在连续预测变量中，输入现金 年收入。在类别预测变量下，输入最高学历。

4    单击模型。在预测变量中，突出显示现金。在按阶数排列项的旁边，单击添加。

5    在预测变量中，突出显示现金和年收入。在按阶数排列交互作用的旁边单击添加。在每个对话框中单击确定。

6    选择 统计 > 回归 > 二进制 Logistic 回归 > 拟合二进制 Logistic 模型。

7    在响应中，输入 MC。在连续预测变量中，输入 GMAT 现金 年收入。在类别预测变量下，输入性别 最高学历。

8   单击模型。

9   单击默认值。

10 在每个对话框中单击确定。

11  选择统计 > 回归 > 二进制 Logistic 回归 > 响应优化器。

9    在目标下，AmEx 和 MC 均选择望大。

10  单击设置。

11  在下限中，MC 输入 0.9，AMEX 输入 0.8 。

12  在每个对话框中单击确定。

会话窗口输出

二值 Logistic 回归: AmEx 与 现金, 年收入, 最高学历

 

 

二值 Logistic 回归: MC 与 GMAT, 现金, 年收入, 性别, 最高学历

 

 

响应优化: MC, AmEx

 

 

参数

 

响应  目标    下限  目标  上限  权重  重要度

MC    最大值   0.9     1           1       1

AmEx  最大值   0.8     1           1       1

 

 

解

 

                                              MC      AmEx

解  GMAT  现金  年收入  性别  最高学历  拟合概率  拟合概率  复合合意性

1   44    349   114424  男性  研究生     1.00000   1.00000     0.99999

 

 

多响应预测

 

变量      设置

GMAT      44

现金      349

年收入    114424

性别      男性

最高学历  研究生

 

 

                 拟合值

响应  拟合概率   标准误     95% 置信区间

MC     1.00000  0.00001  (0.06415, 1.00000)

AmEx   1.00000  0.00000  (0.00053, 1.00000)

图形窗口输出

解释结果

这两个响应的合并或复合合意性约为 1。

要得到此合意性，需将因子水平设置为“解”下显示的值。也就是说，该学生的经企管理研究生入学考试 (GMAT) 分数为 44，该学生携带 349 美元现金，该学生的年收入为 114,424 美元，该学生为男性，并且该学生拥有硕士学位。置信区间表示这些预测的精度，该区间非常宽。尽管预测显示的概率较高，但此模型提供的置信度并不高。

在此情况下，GMAT 分数的高、低值可引起对数据问题的注意。报告分数 1100 的学生提供的是研究生入学考试分数而不是其 GMAT 分数，而报告分数 44 的学生仅提供部分考试的结果。调查员更正数据后，他们重新拟合了模型。

如果要调整此初始解的因子设置，则可以使用该图。移动垂直条形以更改因子设置，并观察响应的单个合意性 (d) 以及复合合意性如何变化。

请记住，这些结果都以模型方程为基础。在解释图之前，应确保模型是合适的。