罗吉斯与Probit回归分析　.ppt

第15章　羅吉斯與Probit迴歸分析;15.1 羅吉斯迴歸的概念 ;羅吉斯迴歸曲線;15.2 羅吉斯迴歸的假設;15.3 羅吉斯迴歸模式;15.4 羅吉斯迴歸分析的評估;Ｙ與Ｘ的相關係數為0.4641。 Ｙ對Ｘ的簡單迴歸式為：Y ＝ -0.268 + 0.01524 X Ｒ2＝0.168 ; 當以羅吉斯迴歸作為考量，則設年齡Ｘ與患心臟病機率的關係式為： 經過羅吉斯轉換： 則此時與X呈線性關係，即可進行羅吉斯迴歸分析。 本範例經由羅吉斯分析所得之結果分析如下：;表 15-3 年齡 (X) 與罹患心臟病 (Y) 之羅吉斯模型檢定;怊郡史辅锫啦蹋怫政搂杈汕怄呋搪广扎垃麻卯萼某灞旬阍简搭槁炙播纲毵馊艄佃傀莆羹杨郫剐咆友娄伢鸹莛祟霓隙鞍龚山岱蹙珩簖穷胜酚;根據表15─4，我們可以求得羅吉斯迴歸的方程式為：;若欲使π＞0.5，則： ;表 15—5 各構面與知識管理績效之羅吉斯迴歸分析 ;15.5 Probit 迴歸模式 ; 表15－6是研究者利用A，B，C三種減肥藥來分別給受測者服用，期間服用藥的濃度，服用週數，觀測數及有效數各不相同，假設這些數據符合Probit迴歸模式，即代表下式： Probit (有效比率)＝ b0＋b1 × 藥的濃度＋b2 × 服用週數 我們接著進行Probit模式之假設：H0：Probit模式配適度(Goodness of fit)佳H1：Probit模式配適度(Goodness of fit)不佳;表 15-5 各構面與知識管理績效之羅吉斯迴歸分析;表 15-6 影響減肥藥效果之研究表; 進行Probit迴歸分析時，要注意各自變數若不是常態分析時，必須進行轉換。例如將表15－6資料進行Probit分析時，結果如下： 模型的適合度檢定： Goodness-of-Fit卡方值為27.098已達非常顯著的水準，因此我們拒絕虛無假設H0，即表示模式之適合度有問題，資料必須進行轉換之後再試。; 從圖15－3可發現，減肥藥的濃度與減肥有效度在圖形中呈現對數的關係，因此，我們必須將藥的濃度進行對數轉換之後，才能繼續進行 Probit分析。 ;15.6 Probit 迴歸分析的評估;這三個減肥藥的Probit模式分別為： 1.A減肥藥Probit (有效比率)＝-2.58097 ＋1.54739 × log (藥的濃度)＋0.05717 × 服用週數 2.B減肥藥 Probit (有效比率)＝-4.07659 ＋1.54739 × log (藥的濃度)＋0.05717 × 服用週數 3.C減肥藥Probit (有效比率)＝-3.48698 ＋1.54739 × log (藥的濃度)＋0.05717 × 服用週數;15.7 Probit 預測分析