Logistic模型及建模流程概述PDF.pdf

Logistic 模型及建模流程概述

1. Logistic 模型介绍

1.1 问题的提出

在商业及金融领域中，存在这么一类问题，问题中需要被解释的目标量通常可以用YES 或者NO 两种取值来表示，如：

卖出了商品为YES ，未卖出商品为NO ；

顾客对超市的本次宣传活动做了响应为YES ，没有任何响应为NO ； 信用卡持卡人本月逾期付款为YES ，按时还款了为NO ； 等等；

对于这类问题的分析，我们不可以采用标准的线性回归对其进行建模分析，是因为 目标变量的二元分布违背了线性回归的重要假设

模型的目标是给出一个（0，1）之间的概率，而标准的线性回归模型产生的值是在这个范围之外 1.2 Logistic 模型

对于上述问题，我们提出了logistic 模型：

∑+=−i

i

i x P P βα)1ln(

∑+=−i i i x e P

P

βα1

∑+∑++=

i

i i i

i

i x x e

e

P βαβα1

Logistic 模型可以保证：

i x 值在- ∞和+ ∞之间；

估计出来的概率值在0和1之间；

与事件odds （)1/(p p odds −=）直接相关；

可以很好地将问题转化为数学问题，并且模型结果容易解释；

1.3 Logistics 回归的假设

概率是自变量的logistics 函数

)

exp(1)

exp(110110n n n n x x x x p ββββββ+⋅⋅⋅++++⋅⋅⋅++=

这样得到的概率似乎没有实际意义，只是反映一种趋势，x x n βββ+⋅⋅⋅++110比较大时p 就会比较大 取log 值得到：

logodds

这样可以线性化，我们把这模型称为‘linear in the log-odds ’

模型假设：

1) 没有重要变量被忽略，不包含使得系数有偏的相关变量

2) 不包含外来变量，包含的不相关变量会增加参数估计的标准误差，但是却不会

使得系数有偏。 观测值独立

自变量的观测值没有误差

1.4 最大似然准则

抛一枚硬币10次，结果如下:

T H T T T H T T T H

假设结果独立，考虑得到的结果的概率，P(T H T T T H T T T H) =

P(T)P(H)P(T)P(T)P(T)P(H)P(T)P(T)P(T)P(H)=P(H)3 [1-P(H)]7

，如果我们能计算出参数P(H)的值，就能得到掷硬币结果的概率的数值。

如果我们已知掷硬币的结果，如何得到P(H)的值呢？ 假设P=P(H)，y=硬币头像一面朝上的次数，n=掷硬币的次数 似然函数给出了掷硬币结果的似然值，它是P 的函数；

最大似然估计指出P 的最佳估计值是使得似然函数最大的值。

为了简化计算，代替最大化L(P)，我们对L(P)取log 值，然后取最大值，log 是单调递增函数，这样使得L(P)最大的P 的值也是使得log （L(P)）最大的值。

最大化log 似然函数，使： 解出P 值：

1.5 将最大似然估计用于logistics 回归

n n x x p p βββ+⋅⋅⋅++=⎪⎪⎭⎫

⎝⎛−1101log y

n y P P y P L −−=)1()|(y n y P P Y P L −−=)1()|(n y P

=ˆ

令Y=(y 1,y 2,y 3,…,y n )是随机变量（Y 1,Y 2,Y 3,…..Y n ）的一组样本值， 然

后

似

然

函

数

可

以

写

成

∏=−−=

n

i y i y i i

i Y L 1

1)

1()(ππ

where

i I

Y P π=

=)1(，但是假如样本值不独立的话，此步骤就存在

问题。

对似然函数取log 值，得：

∏=−−=n

i y i y i

i

i Y l 1

1)

)

1(log()(ππ

∑=−−=n

i i y i y

i i

i

1

))1()1(log(πππ

∑∑==−+−=n

i n

i i i

i

i y 11)1log()1log(πππ 令

i i

i x 10)1log(ββππ+=−

Logistics 回归的似然等式

对上式的参数取导数：

()()

∑∑==++−+=n

i i n i i i x x y Y l 1

101

101

0)exp(1 )|,( ββββββ∑∑∑∑

====+++−=∂∂+++−=∂∂n i n

i i i i

i i n i n

i i i i x x x y x Y l x x y Y l 111010110111010010)

exp(1)

exp()|,()

exp(1)

exp()|,(ββββββββββββββ