什么是Logit回歸？

Logit回歸(又稱邏輯回歸、羅杰斯蒂回歸、Logistic回歸)無疑是社會科學，尤其是社會學研究中使用最廣的方法，沒有之一。這也是因為社會科學中變量的類型所決定的。因變量的類型決定著回歸模型的使用，對于社會科學中常用的類別變量對應的就是Logit回歸。

Logit回歸又不同于一般線性回歸，一般線性回歸的回歸系數以及R方等較容易解釋，但是Logit回歸的數學原理中涉及到了對數轉換等，所以解釋起來與一般線性回歸有著較多的不同之處。

Logit回歸系數有哪些不同

一般線性回歸的解釋相對較容易，即x沒變化多少個單位，y的變化。但是，由于Logit回歸進行了Logit轉換，所以就不能像線性回歸一樣解釋，因為因變量已經變成ln(p/1-p)，我們不能再說x變化多少個單位ln(p/1-p)變化多少，這樣沒有實際的意義。而logit回歸的本質是針對因變量為分類變量，即相較于另一種情況，某一情況的發生概率。所以針對logit回歸的這一特性，我們需要匯報OR值(odds ratio)，也稱發生比。

可能這樣理解起來較為抽象，我們來看一個例子：

上表來源：薛海平. 2015. 從學校教育到影子教育:教育競爭與社會再生產[J]. 北京大學教育評論(03): 47-69+188-189.

該研究的因變量為城鎮學生是否參加補習，是一個典型的二分類變量。作者在報告結果的時候同時匯報了回歸系數和OR值(發生比Exp(B))。在軟件操作時候，SPSS會自動輸出Exp，而Stata需要在命令后面增加or的選項。

從上表中我們可以看出，回歸系數為正值時，發生比為為大于1的數，而系數為負時候為小于1的數。在進行解釋的時候，我們可能更關注發生比。以上表為例，東部地區參加課外補習的概率是西部地區的1.491倍。

Logit回歸如何用Stata操作只輸出回歸系數

logit 因變量 自變量以及控制變量 //二分類Logistic回歸

mlogit 因變量 自變量以及控制變量 //多分類Logistic回歸

ologit 因變量 自變量以及控制變量 // 次序Logistic回歸

輸出OR值

logit 因變量 自變量以及控制變量，or //二分類Logistic回歸

mlogit 因變量 自變量以及控制變量，or //多分類Logistic回歸

ologit 因變量 自變量以及控制變量，or // 次序Logistic回歸

論文中如何寫？

在論文中Logit回歸的寫法可謂是各有千秋，有的直接在表中匯報OR值，有的只匯報系數在行文中寫出關鍵變量的發生比，還有像上文一樣將系數和OR值都列出來的。這些寫法沒有對錯之分，只取決于作者的習慣。

方法1：只匯報系數

直接匯報系數的好處是，能夠直觀的看出某一變量對因變量方向上的影響，因為系數是有正負之分的更加直觀。

我們來看一個例子：

注：上表數據非真實數據，只為舉例子使用。(實際上是小編在候機然后遇到機場大面積延誤)

?????? 從上表可知，在控制其他變量的情況下，惡劣天氣對于飛機是否延誤具有正向的影響，相較于費惡劣天氣，惡劣天氣時飛機更容易延誤。風力對于飛機是否延誤也具有正向的影響，風力越大，飛機越容易延誤。機場所在緯度對于飛機是否延誤的影響是負向的，即所在緯度越高飛機越不容易延誤。乘客數量對于飛機是否延誤的影響也是負向的，即乘客數量越多飛機越不容易延誤。票價對于飛機是否延誤的影響不顯著，但也是負向的。購買延誤險的乘客比例越高，飛機越不容易延誤。是否是天合聯盟成員對于飛機延誤沒有顯著影響。

只匯報系數的缺點：不能看出數量的差異，即我們只知道室惡劣天氣具有正向影響，但不知道惡劣天氣對于飛機延誤概率的影響有多大。

方法2：匯報OR值

匯報OR值的好處是能夠看出數量的影響。而對于匯報OR值可以有兩種辦法，第一種就是前文關于課外補習的例子，在表中直接給出，在表中直接寫出的相對較容易，直接描述即可。

第二種是在表中依舊只匯報系數，而在行文中寫出，例如：

相較于非惡劣天氣，惡劣天氣導致飛機延誤的概率會提升75.86%(Exp^0.565-1=0.7586，p<0.01)。

相較于非惡劣天氣，惡劣天氣導致飛機延誤的概率是非惡劣天氣的1.76倍(Exp^0.565=1.76，p<0.01)

有木有覺得這樣寫更高大上一點？而且還能湊點字數。嘻嘻

希望對大家的學習有幫助，我繼續等我的延誤的飛機了~

總結

以上是生活随笔為你收集整理的模型与logit_基础方法 | 如何用Logit回归模型写论文？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。