Logistic Regression中的顯著性檢驗
阿新 • • 發佈：2019-01-03
由於科研需要，一直在做一些Logistic Regression的實驗。這裡以R語言為例，簡單介紹和總結一下其中的顯著性檢驗。相關的語句如下：
glm.fit=glm(V16~V14,data=training,family=binomial(link="logit"))
anova(glm.fit,test="Chisq")這裡使用的是卡方檢驗，得到的結果類似下面：
Df Deviance Resid. Df Resid. Dev Pr(>Chi) NULL 457 634.92 V14 1 24.688 456 610.23 6.74e-07 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
這裡簡單解釋一下，NULL那一行表示零模型，剩餘偏差為：634.92，接下來有一個變數V14進入模型，產生了24.688的模型偏差（似然比卡方），p-value非常小。如果顯著性水平為0.05，說明應該拒絕所有迴歸係數同時為0的原假設，也就是說明模型是合理的。另外，考慮到自由度個數為1，我們在Excel的任意一格中輸入：=CHIINV(0.05,1)，回車以後得到結果是：3.841，說明卡方臨界值為3.841，而我們計算的卡方值是24.688，大於臨界值。綜上所述，迴歸方程是合理的。